Sophia Boing Righetto

Manutenção Preditiva 4.0:

Conceito, Arquitetura e Estratégias de Implementação

Trabalho de Conclusão de Curso

(TCC) submetido ao Curso de
Graduação em Engenharia Elétrica da
Universidade Federal de Santa
Catarina como parte dos requisitos
para obtenção do grau de Bacharel em
Engenharia Elétrica

Orientador: Prof. Renato Lucas

Pacheco, Dr.
Coorientador: Marcos Aurélio Izumida
Martins, Me.

Florianópolis
2020
 Ficha de identificação da obra elaborada pelo autor
através do Programa de Geração Automática da Biblioteca Universitária
da UFSC.
Este trabalho é dedicado àqueles que
dão significado à caminhada.
 AGRADECIMENTOS

À minha mãe, por ter feito o possível e o impossível para eu

pudesse chegar até aqui.
Ao meu pai, por ter me ensinado a enxergar beleza nas coisas
mais singelas.
À minha família, por todo o amor, incentivo e dedicação para a
minha formação pessoal e profissional. Por celebrarem minhas
conquistas e me abraçarem nas adversidades.
Aos meus amigos, pelo apoio e companheirismo, por terem
caminhado ao meu lado durante essa jornada, tornando-a mais leve e
feliz.
Aos professores, que nos inspiram, que se doam, e compartilham
atenciosamente seus conhecimentos: minha eterna admiração.
À equipe da Fundação Certi, especialmente aos companheiros do
Centro de Energia Sustentável, pela compreensão, ensinamentos e
amizade.
A Deus, por sempre colocar pessoas especiais e belas
oportunidades em meu caminho.
Liberdade, palavra que o sonho humano alimenta:
que não há ninguém que explique e ninguém que
não entenda.
Cecília Meireles
 RESUMO

Com a competitividade em alta no cenário atual, as organizações

almejam reduzir custos nos processos, elevar a disponibilidade de seus
ativos e agregar valor ao seu produto. Objetivos estes que vão ao
encontro dos benefícios entregues pela Manutenção Preditiva 4.0. Nesse
contexto, o presente trabalho apresenta uma revisão bibliográfica sobre
o conceito de manutenção, ilustrando seus principais tipos, e
evidenciando a Manutenção Preditiva como a técnica mais promissora.
O trabalho aborda também a relação entre a Manutenção Preditiva 4.0 e
a Indústria 4.0, apresentando as ferramentas que ambas compartilham,
como: Internet das Coisas, Big Data, Computação em nuvem e
Inteligência Artificial. Além do conceito, também é apresentada a
arquitetura de um sistema de Manutenção Preditiva 4.0, explanando
sobre as funcionalidades de seus blocos constituintes. São apresentadas
técnicas de Machine Learning utilizadas para a análise preditiva, além
dos benefícios gerados e estratégias necessárias para implementação do
sistema.

Palavras-chave: Manutenção Preditiva. Indústria 4.0. Internet das

Coisas.
 ABSTRACT

With competitiveness on the rise in the current scenario, organizations

aim to reduce costs in processes, increase the availability of their assets
and add value to their product. Objectives that meet the benefits
delivered by Predictive Maintenance 4.0. In this context, the present
work presents a bibliographic review on the concept of maintenance,
illustrating its main types and showing Predictive Maintenance as the
most promising technique. The work also addresses the relationship
between Predictive Maintenance 4.0 and Industry 4.0, elucidating the
tools that both share, such as: Internet of Things, Big Data, Cloud
Computing and Artificial Intelligence. In addition to the concept, the
architecture of a 4.0 Predictive Maintenance system is also presented,
explaining the functionalities of its constituent blocks. Machine
Learning techniques used for predictive analysis are presented, in
addition to the benefits generated and the necessary strategies for
implementing the system.

Keywords: Predictive Maintenance. Industry 4.0. Internet of Things.

 LISTA DE FIGURAS

Figura 1 - Tipos de manutenção. ................................................ 28

Figura 2 - Resultados x tipos de Manutenção............................. 32
Figura 3 - Curva característica da vida de equipamentos. .......... 34
Figura 4 - Confiabilidade x custos. ............................................. 35
Figura 5- Monitoração subjetiva - ruído. .................................... 38
Figura 6 - Os quatro tipos de indústrias. ..................................... 40
Figura 7 - Indústria 4.0 e suas ferramentas. ................................ 41
Figura 8 - Arquitetura da Manutenção Preditiva 4.0. ................. 45
Figura 9 - A Internet das Coisas. ................................................ 46
Figura 10 - Espectro eletromagnético. ........................................ 48
Figura 11 - Câmera termográfica................................................ 49
Figura 12 - Termogramas de transformadores............................ 50
Figura 13 – Acelerômetro. .......................................................... 51
Figura 14 - Arquitetura da comunicação de dados. .................... 54
Figura 15 - Os cinco Vs do Big Data. ........................................ 56
Figura 16 - Cloud Computing. .................................................... 59
Figura 17 – Inteligência artificial e seus pilares. ........................ 61
Figura 18 - A Classificação. ....................................................... 63
Figura 19 - A Regressão. ............................................................ 63
Figura 20 - A Clusterização. ....................................................... 65
Figura 21 - Neurônio biológico e artificial. ................................ 66
Figura 22 - Estrutura de uma Rede Neuronal Artificial.............. 67
Figura 23 - Rede Neuronal de Aprendizado Profundo. .............. 68
Figura 24 - Exemplo de Dashboard. .......................................... 69
Figura 25 - Dashboard em Smartphone. .................................... 70
 LISTA DE QUADROS

Quadro 1 - Analogia entre saúde humana x saúde da máquina. . 24

Quadro 2 - Evolução da manutenção. ......................................... 27
 SUMÁRIO

1 INTRODUÇÃO ................................................................... 21
1.1 OBJETIVOS ......................................................................... 22
1.1.1 Objetivos Gerais .................................................................. 22
1.1.2 Objetivos Específicos .......................................................... 22
2 MANUTENÇÃO ................................................................. 23
2.1 DEFINIÇÃO DA MANUTENÇÃO ..................................... 23
2.2 EVOLUÇÃO DA MANUTENÇÃO ..................................... 24
2.3 TIPOS DE MANUTENÇÃO ................................................ 28
2.3.1 Manutenção Corretiva ........................................................ 29
2.3.2 Manutenção Preventiva ...................................................... 30
2.3.3 Manutenção Preditiva......................................................... 31
2.3.4 Manutenção Detectiva ........................................................ 31
2.3.5 Engenharia de Manutenção ............................................... 31
3 GESTÃO DA MANUTENÇÃO ......................................... 33
3.1 INDICADORES DA MANUTENÇÃO................................ 33
4 MANUTENÇÃO PREDITIVA .......................................... 37
4.1 CONCEITO .......................................................................... 37
4.2 CLASSIFICAÇÃO DE TÉCNICAS DE
MONITORAMENTO ........................................................................... 37
4.2.1 Monitoração Subjetiva........................................................ 37
4.2.2 Monitoração Objetiva ......................................................... 38
4.2.3 Monitoração Contínua ........................................................ 39
4.3 MANUTENÇÃO PREDITIVA E A INDÚSTRIA 4.0......... 39
4.3.1 Indústria 4.0......................................................................... 39
4.3.2 Manutenção Preditiva 4.0 e a Indústria 4.0. ..................... 41
4.3.3 Tipos de Manutenção Preditiva ......................................... 42
5 ARQUITETURA DA MANUTENÇÃO PREDITIVA 4.0
................................................................................................45
5.1 AQUISIÇÃO DE DADOS .................................................... 45
5.1.1 Internet das Coisas.............................................................. 46
5.1.2 Técnicas Preditivas ............................................................. 47
5.1.2.1 Análise Termográfica ........................................................... 47
5.1.2.2 Análise de Vibrações ............................................................ 51
5.2 COMUNICAÇÃO DE DADOS ........................................... 52
5.2.1 Protocolos de Conectividade IoT ....................................... 52
5.2.2 Gateway IoT ......................................................................... 54
5.3 ARMAZENAMENTO DE DADOS..................................... 55
5.3.4 Big Data ............................................................................... 56
5.3.5 Cloud Computing................................................................ 58
5.4 ANÁLISE PREDITIVA ....................................................... 60
5.4.1 Inteligência Artificial .......................................................... 60
5.4.2 Machine Learning ............................................................... 61
5.4.2.1 Aprendizado Supervisionado ................................................ 62
5.4.2.1.1 Classificação......................................................................... 62
5.4.2.1.2 Regressão.............................................................................. 63
5.4.2.2 Aprendizado Não Supervisionado ........................................ 64
5.4.2.2.1 Clusterização ........................................................................ 64
5.4.2.2.2 Associação ............................................................................ 65
5.4.3 Redes Neurais Artificiais .................................................... 65
5.4.4 Deep Learning ..................................................................... 68
5.5 VISUALIZAÇÃO DE RESULTADOS................................ 69
6 BENEFÍCIOS E ESTRATÉGIAS DE
IMPLEMENTAÇÃO .......................................................................... 71
6.1 BENEFÍCIOS ....................................................................... 71
6.2 ESTRATÉGIAS DE IMPLEMENTAÇÃO .......................... 73
7 CONSIDERAÇÕES FINAIS ............................................. 75
REFERÊNCIAS .................................................................. 77
 21

1 INTRODUÇÃO

Em um cenário globalizado e competitivo, a manutenção tem se

mostrado cada vez mais fundamental como questão estratégica de uma
organização, tendo como principal função garantir a disponibilidade dos
equipamentos e instalações. Segundo Monchy (1987, p. 5), a produção é
um objetivo evidente da organização e a manutenção é a “ajuda para a
produção”.
Segundo Kardec e Nascif (2009, p. 9):
A manutenção existe para que não haja
manutenção. Isto parece paradoxal à primeira
vista, mas, numa visão mais aprofundada, vemos
que o trabalho da manutenção está sendo
enobrecido onde, cada vez mais, o pessoal desta
área precisa estar qualificado e equipado para
evitar falhas e não para corrigi-las.

Aliado a esse pensamento e às necessidades de se manterem

competitivas, as organizações buscam reduzir o tempo de inatividade
dos equipamentos, reduzir custos de mão de obra e prolongar a vida útil
dos ativos. E para atingir esses objetivos, as organizações recorrem aos
conceitos que configuram a Indústria 4.0: dispositivos interconectados,
sensores, gateways, nuvens e outras ferramentas de Internet das Coisas
(IoT). Isso possibilita a coleta instantânea de grandes conjuntos de dados
de diferentes ativos, além da aplicação da análise de Big Data para
fornecer informações preditivas de manutenção (DELMEGANI, 2018).
Portanto, não é uma surpresa que a Manutenção Preditiva tenha
emergido rapidamente como um dos principais casos de uso da Indústria
4.0. Sua implementação possibilita monitorar a integridade dos ativos,
otimizar os cronogramas de manutenção e obter alertas em tempo real
dos riscos operacionais, benefícios estes que se encontram com as
necessidades atuais das organizações (EZRA, 2018).
Nesse cenário, o presente trabalho apresenta um estudo sobre
manutenção, apresentando seu conceito e suas diferentes formas.
Evidencia-se a Manutenção Preditiva 4.0 como a prática mais adequada
para as organizações que desejam se inserir no contexto da Indústria 4.0.
Valida-se essa afirmativa através do estudo sobre conceito, arquitetura,
benefícios e estratégias da implementação de um sistema de
Manutenção Preditiva 4.0.
22

1.1 OBJETIVOS

1.1.1 Objetivo Geral

O presente trabalho tem como objetivos gerais o estudo e a

apresentação de um sistema de Manutenção Preditiva no contexto da
Indústria 4.0, visando apresentar os conceitos que configuram a Quarta
Revolução Industrial, além de apresentar seus benefícios e desafios de
implementação.

1.1.2 Objetivos Específicos

Como objetivos específicos deste trabalho, pode-se elencar os

seguintes tópicos:

 Definição do conceito amplo de Manutenção Preditiva;

 Apresentação da relação entre Manutenção Preditiva e a
Indústria 4.0;
 Apresentação da arquitetura de um sistema de
Manutenção Preditiva 4.0, abordando cada um de seus
blocos constituintes;
 Apresentação das técnicas preditivas mais difundidas
entre diferentes tipos de indústrias;
 Abordagem sobre os benefícios e estratégias da
implementação do sistema.
 23

2 MANUTENÇÃO

2.1 DEFINIÇÃO DA MANUTENÇÃO

Existem inúmeras definições para conceituar a manutenção.

Entretanto, observa-se que todas apresentam pontos de convergência,
conforme apresentado a seguir.
Para Slack et al. (1999, p.341), a manutenção é o termo usado
para abordar a forma pela qual as organizações tentam evitar as falhas,
cuidando de suas instalações físicas.
Xenos (1998) explica que num sentido restrito, as atividades de
manutenção estão limitadas ao retorno de um equipamento às suas
condições originais. Em um sentido mais amplo, as atividades de
manutenção também devem envolver a modificação das condições
originais, através da introdução de melhorias para evitar a ocorrência ou
incidência de falhas, reduzindo o custo e aumentando a produtividade.
Segundo Salgado (2008), a manutenção é definida como todas as
atividades e ações necessárias para restaurar e/ou prevenir a ocorrência
ou reincidência de falhas em sistemas e componentes.
Para Xavier (2008), as atividades de manutenção existem para
evitar a degradação dos equipamentos e instalações, recuperando a boa
funcionalidade e confiabilidade dos equipamentos. Esta degradação,
causada pelo desgaste natural de seu uso, manifesta-se de diversas
formas, desde a má aparência externa dos equipamentos, até a perda de
desempenho, produção de má qualidade, poluição ambiental, entre
outros.
Mirshawka e Olmedo (1993) conceituam manutenção como o
conjunto de atividades técnicas e administrativas, que visam consertar
ou restituir um item, para que este cumpra sua função exigida.
De acordo com Monchy (1987), a manutenção dos equipamentos
de produção é um elemento chave, tanto para a produtividade das
empresas, quanto para a qualidade dos produtos. É um desafio industrial
que implica rediscutir as estruturas atuais inertes e promover métodos
adaptados à nova natureza dos materiais.
Monchy (1987) também traz uma comparação entre a saúde
humana e a saúde da máquina, na qual afirma que a manutenção é a
“medicina das máquinas”, conforme apresentado no Quadro 1.
24

Quadro 1 - Analogia entre saúde humana x saúde da máquina.

Fonte: Adaptado de Monchy, 1987.

Tomando conhecimentos das definições de manutenção, nota-se

que esta é uma atividade complexa, envolvendo diversos aspectos. Ao
tentar garantir a disponibilidade e confiabilidade de um item físico, a
manutenção exerce um papel estratégico fundamental na melhoria dos
resultados operacionais e financeiros.

2.2 EVOLUÇÃO DA MANUTENÇÃO

Kardec e Nascif (2009) afirmam que, nas últimas décadas,

ocorreram grandes mudanças no conceito de manutenção e isto se deve
a diversos fatores. São eles: o aumento do número e diversidade dos
itens que devem ser mantidos; surgimento de novas técnicas de
manutenção, com novos enfoques sobre sua organização e suas
responsabilidades; inserção da manutenção como função estratégica
 25

para melhora do resultado, além do aumento da competitividade. Os

autores também apresentam a evolução da manutenção, a qual pode ser
dividida em quatro gerações.
Na primeira geração (Segunda Guerra Mundial – 1940), a
manutenção não era um pilar fundamental nas organizações. Estas eram
ainda pouco mecanizadas com equipamentos de configurações simples e
superdimensionados para a produção. As técnicas de manutenção eram
precárias e simples, consistindo em limpezas, lubrificação e na inspeção
visual. As competências técnicas exigidas também eram mínimas, sendo
o carácter da manutenção estritamente corretivo não planejado
(KARDEC; NASCIF, 2009).
A segunda geração (1940-1970) foi caracterizada pelo declínio da
oferta da mão-de-obra no período pós-guerra, além da necessidade de
aumento de todos os tipos de bens de consumo, o que culminou numa
maior mecanização e complexidade das instalações industriais. Assim, a
manutenção começa a ganhar força, visto que a produção intensa e com
qualidade eram fatores esperados. Por volta da década de 50, passou-se
a acreditar que, dando prioridade ao bom funcionamento dos itens, seria
possível evitar falhas, resultando no conceito que hoje é conhecida como
manutenção preventiva. A prática desse conceito culminou na
necessidade de implementar sistemas de planejamento e gestão da
manutenção, assim como a busca por meios de elevar a vida útil dos
itens físicos (KARDEC; NASCIF, 2009).
A terceira geração (1970 – 2000) configura-se com a tendência da
globalização da economia, a qual impôs novos desafios de
produtividade e de qualidade. Com o grande investimento nos itens
fixos, juntamente com o aumento nos custos, inicia-se um processo de
elevadas expectativas em relação à manutenção. Houve um reforço do
conceito e utilização da manutenção preditiva e o desenvolvimento de
softwares que permitiram melhor planejamento, controle e
acompanhamento dos serviços de manutenção. Mas, apesar da busca por
maior confiabilidade, a falta de interação nas áreas de engenharia,
manutenção e operação impedia melhores resultados. Logo, as taxas de
falhas prematuras eram elevadas (KARDEC; NASCIF, 2009).
Na quarta geração, iniciada a partir dos anos 2000, ocorre uma
consolidação das atividades de engenharia da manutenção. A análise de
falhas consagra-se como metodologia capaz de melhorar a performance
dos equipamentos e da empresa. A manutenção preditiva é cada vez
mais utilizada, resultando na redução do uso da manutenção preventiva.
A manutenção corretiva não-planejada se torna um indicador da
ineficácia da manutenção. Também ocorre a inserção de sistemas
26

integrados de gestão da manutenção, usando tecnologias avançadas de

sistemas interligados, investimentos otimizados em produtos
inteligentes, como sensores, autodiagnostico, wireless e bluetooth
(KARDEC; NASCIF, 2009).
O Quadro 2 mostra a evolução das quatro gerações apresentadas.
 27

Quadro 2 - Evolução da manutenção.

Fonte: Adaptado de Kardec e Nascif, 2009.

28

2.3 TIPOS DE MANUTENÇÃO

Os tipos de manutenção existentes são caracterizados pela forma

como é realizada a intervenção nos equipamentos, sistemas ou
instalações. Há uma extensa gama de denominações que classificam os
tipos de manutenção. A seguir, serão abordados os seis tipos de
manutenção considerados como principais por diversos autores.
Conforme apresenta a Figura 1, são eles: manutenção corretiva não-
planejada e planejada, manutenção preventiva, manutenção preditiva,
manutenção detectiva e engenharia de manutenção.

Figura 1 - Tipos de manutenção.

Fonte: Kardec e Nascif, 2009.

 29

2.3.1 Manutenção Corretiva

Conforme apresentado anteriormente, a manutenção corretiva

configura-se como a forma mais primitiva de manutenção. É
conceituada como a “manutenção efetuada após a ocorrência de uma
pane, destinada a recolocar um item em condições de executar uma
função requerida” (ABNT, 1994, p. 7).
Segundo Wyrebsky (1997), a manutenção corretiva é o trabalho
de restaurar um equipamento para um padrão aceitável. A manutenção
corretiva, também classificada como manutenção de avaria, é executada
quando a ação é tomada para restaurar a capacidade funcional dos
equipamentos ou sistemas avariados ou em mau funcionamento. Ela se
divide em duas classes: não-planejada e planejada.

2.3.1.1 Manutenção Corretiva Não-Planejada

A manutenção corretiva não-planejada corrige a falha ou quebra

de maneira aleatória, sempre após a ocorrência de fato, sem
acompanhamento ou planejamento anterior. Como Kardec e Nascif
(2009) afirmam, este tipo de manutenção atua em um fato já ocorrido,
não havendo tempo para preparação do serviço e infelizmente, ainda é
fortemente praticada. Gera altos custos, visto que a falha ou quebra
inesperada acarreta perdas na produção, perdas de qualidade, altos
custos de peças de reposição, altos custos de mão-de-obra e
consequências decorrentes do tempo de inatividade da máquina.
Quando uma organização tem a maior parte da sua manutenção
corretiva na classe não-planejada, seu departamento de manutenção é
comandado por seus equipamentos e o desempenho empresarial da
organização, certamente, não está adequado às necessidades
competitivas atuais (XAVIER; PINTO, 1999).

2.3.1.2 Manutenção Corretiva Planejada

A manutenção corretiva planejada também possui a característica

de atuar somente após a falha ou o decréscimo do desempenho do
equipamento. A diferença, neste caso, se encontra no fato de que, ao
tomar conhecimento sobre o final da vida útil do ativo, a organização já
detém o conhecimento sobre os recursos necessários para a substituição
ou reparo do ativo, sem que venha a prejudicar a operação de toda a
unidade (KARDEC; NASCIF, 2009).
30

Xenos (1998) ressalva que, mesmo que a manutenção corretiva

tenha sido escolhida por decisão gerencial, é inadmissível que haja o
sentimento de conformidade em relação à ocorrência de falhas, tomando
como um fato esperado e natural. Faz-se essencial o esforço para
identificar precisamente as causas fundamentais das falhas e bloqueá-
las, evitando sua reincidência.

2.3.2 Manutenção Preventiva

Segundo Kardec (2009), manutenção preventiva é a atuação

realizada de forma a reduzir ou evitar a falha ou diminuição do
desempenho, obedecendo a um plano preventivamente elaborado,
baseado em intervalos de tempos definidos. Diferentemente da
manutenção corretiva, a preventiva, como o próprio nome sugere,
procura prevenir, evitar a ocorrência de falhas. É imprescindível quando
o fator segurança se sobrepõe aos demais.
Xenos (1998, p. 24) destaca a vantagem do uso da manutenção
preventiva em face de manutenção corretiva:
(...) a frequência de falhas diminui, a
disponibilidade dos equipamentos aumenta e
diminuem as interrupções inesperadas da
produção. Ou seja, se considerarmos o custo total,
em várias situações a manutenção preventiva
acaba sendo mais barata que a manutenção
corretiva, pelo fato de se ter domínio das paradas
dos equipamentos, ao invés de se ficar sujeito às
paradas inesperadas por falhas nos equipamentos.

Entretanto, como Kardec e Nascif (2009) destacam, se por um

lado, a manutenção preventiva permite um bom gerenciamento das
atividades, nivelamento dos recursos, além de previsibilidade do
consumo de materiais e sobressalentes. Por outro lado, promove a
retirada do equipamento ou do sistema de operação para a execução das
atividades programadas. Assim, faz-se necessário pesar os fatores para
que o uso dessa política seja adequado à realidade dos equipamentos,
sistemas ou plantas.
Kardec e Nascif (2009) esclarecem sobre a precisão dos dados
fornecidos pelos fabricantes para a adoção nos planos de manutenção
preventiva, afirmando que nem sempre estes são precisos. Além disso,
considerando-se o fato de que as condições ambientais e operacionais
influem significativamente na degradação dos equipamentos, fica claro
 31

que a definição de periodicidade e substituição deve ser estipulada para

cada instalação.

2.3.3 Manutenção Preditiva

É a manutenção que realiza acompanhamento de variáveis e

parâmetros de desempenho de máquinas e equipamentos, com o
objetivo de definir o melhor instante para a intervenção, com o máximo
aproveitamento do ativo (COSTA, 2013).
Segundo Souza (2011), manutenção preditiva é aquela que indica
as condições reais de funcionamento das máquinas com base em dados
que informam os seus desgastes ou processo de degradação.
Kardec e Nascif (2009) classificam a manutenção preditiva como
a primeira grande quebra de paradigma na Manutenção, a qual se
intensificará à medida que o conhecimento tecnológico evolua,
permitindo a avaliação confiável das instalações e sistemas operacionais
em funcionamento.

2.3.4 Manutenção Detectiva

A partir da década de 90, a manutenção detectiva começou a ser

mencionada na literatura e pode ser definida com a seguinte forma:
“atuação efetuada em sistemas de proteção, comando e controle,
buscando detectar falhas ocultas ou não perceptíveis ao pessoal de
operação e manutenção” (KARDEC; NASCIF, 2009, p.47).
A manutenção detectiva é aplicada aos dispositivos que não são
adequadamente atendidos pelas outras três formas de manutenção
anteriormente mencionadas (corretiva, preventiva e preditiva). Estes são
dispositivos que somente necessitam trabalhar em condições especiais,
como alarmes e sinalizações de emergência. Logo, torna-se difícil o
acompanhamento e percepção destes quando se encontram em estado de
falha. Para garantir a confiabilidade, especialistas realizam verificações
no sistema sem tirá-lo de operação, sendo capazes de detectar falhas
ocultas, podendo corrigir o problema. Este tipo de manutenção vem
apresentando uma tendência de utilização crescente em virtude da maior
automação das plantas e utilização de microprocessadores (KARDEC;
NASCIF, 2009).

2.3.5 Engenharia de Manutenção

32

Para Kardec e Nascif (2009), a engenharia de manutenção está

vinculada a uma mudança cultural, uma quebra de paradigma. Esta é o
suporte técnico da manutenção que está dedicado a consolidar a rotina e
implantar a melhoria.
Para isso, visa aumentar a confiabilidade, disponibilidade,
manutenibilidade e segurança; eliminar problemas crônicos e solucionar
problemas tecnológicos; melhorar a capacitação pessoal e gerir materiais
sobressalentes; dar suporte à execução; elaborar planos de manutenção,
acompanhar indicadores e zelar pela documentação técnica (KARDEC;
NASCIF, 2009).
Para que uma empresa realmente pratique a engenharia de
manutenção, ela deve, além de realizar o acompanhamento preditivo de
seus equipamentos, também alimentar sua estrutura de dados e
informações sobre manutenção, os quais irão lhe permitir realizar
análises e estudos para proposição de melhorias no futuro (KARDEC;
NASCIF, 2009).
Na Figura 2é possível observar uma evolução à medida que
melhores técnicas vão sendo introduzidas. Nota-se um salto positivo
quando ocorre a mudança para a manutenção preditiva. Um segundo
salto é observado quando se implanta a engenharia de manutenção.
Ilustra-se, assim, as vantagens da implantação de técnicas mais
modernas de manutenção, com redução de custos e aumento da
segurança, disponibilidade, confiabilidade e consciência ambiental.

Figura 2 - Resultados x tipos de Manutenção.

Fonte: Kardec e Nascif, 2009.

 33

3 GESTÃO DA MANUTENÇÃO

À medida que os gestores das organizações vêm observando o

quanto as falhas em equipamento afetam a segurança, a qualidade e os
custos da produção, a função da manutenção tem se transformado e vem
evoluindo (SELLITO, 2007). Segundo Sellito (2007), gestores de
manutenção têm adotado novos modos de pensar, tanto no papel de
técnicos, como no papel de estrategistas, ao mesmo tempo em que as
limitações dos sistemas de gestão existentes se tornam mais visíveis.
Kardec e Nascif (2009, p.9) apontam como deve ser a postura da
gerência moderna:
A condução moderna dos negócios requer uma
mudança profunda de mentalidade e de posturas.
A gerência moderna deve estar sustentada por
uma visão de futuro e regida por processos de
gestão, onde a satisfação plena de seus clientes
seja resultante da qualidade intrínseca dos seus
produtos e serviços, e a qualidade total dos seus
processos produtivos seja o balizador
fundamental.

Uma modificação nos atuais sistemas de gestão da manutenção

industrial é a formulação de uma estratégia formal de manutenção, cujas
crenças subjacentes sejam fundamentadas na teoria da confiabilidade e
de manutenibilidade (SELLITO, 2007).
Kardec e Nascif (2009) afirmam que o novo papel da manutenção
é um grande desafio gerencial. A visão sistêmica do negócio e a
mudança de paradigmas e de conceitos levarão a grandes inovações.
Costa (2013) conclui que, mais importante do que restringir a
política de manutenção a uma abordagem ou outra, é necessário utilizar
uma metodologia adequada de gestão do sistema de manutenção. Assim,
a função manutenção deixará de ser um gasto adicional para a empresa e
poderá ser encarada como fator estratégico para redução dos custos
totais de produção.

3.1 INDICADORES DA MANUTENÇÃO

Segundo Kardec e Nascif (2009, p.105), a missão da manutenção

é “garantir a disponibilidade da função dos equipamentos e instalações
de modo a atender a um processo de produção ou de serviço com
34

confiabilidade, segurança, preservação do meio ambiente e custo

adequado”.
Confiabilidade, disponibilidade e manutenibilidade são palavras
integrantes do cotidiano da manutenção. Estas conceituações são
apresentadas a seguir.

3.1.1 Confiabilidade

O termo confiabilidade na manutenção teve origem durante a

década de 50, nos Estados Unidos, durante análises de falha em
equipamentos eletrônicos para uso militar. E desde então, o termo é
largamente empregado no âmbito industrial e se caracteriza como a
capacidade de um item desempenhar uma função requerida sob
condições especificadas, durante um intervalo de tempo (NBR 5462-
1994).
Uma representação do conceito pode ser observada na Figura 3, a
qual apresenta uma curva característica típica de um equipamento. Pelo
seu formato, esta curva também é conhecida como “curva da banheira”,
sendo válida para uma série de componentes elétricos, mecânicos e
sistemas (KARDEC; NASCIF, 2009). A curva apresenta três períodos
distintos: Mortalidade Infantil, devido à incidência de falhas causadas
por componentes com defeitos de fabricação ou problemas de
instalação; Vida Útil, período no qual a taxa de falhas é sensivelmente
menor e relativamente constante ao longo do tempo e o último estágio,
Envelhecimento, no qual há um aumento na taxa de falhas decorrente do
desgaste natural.

Figura 3 - Curva característica da vida de equipamentos.

Fonte: Kardec e Nascif, 2009.

 35

Conforme apresentado, conclui-se que, quanto maior o número de

falhas, menor a confiabilidade de um ativo. E quanto maior a
confiabilidade, melhores serão os resultados para a organização e
menores serão os custos de produção. Entretanto, à medida que o índice
de confiabilidade tende a 100%, maiores serão os custos de manutenção,
conforme é apresentado na Figura 4.

Figura 4 - Confiabilidade x custos.

Fonte: Kardec e Nascif, 2009.

3.1.2 Disponibilidade

Segundo a Associação Brasileira de Normas Técnicas (1994,

p.8), a disponibilidade é a “capacidade de um item estar em condições
de executar certa função em um dado instante ou durante um intervalo
de tempo determinado”.

3.1.3 Manutenibilidade

Segundo Monchy (1989), a Manutenibilidade (ou

Mantenabilidade) é a probabilidade de restabelecer as condições de
funcionamento específicas a um sistema, em limites de tempo desejados,
quando a manutenção é conseguida nas condições e com meios
prescritos. Em resumo, é a probabilidade de que um equipamento com
falha seja reparado dentro de um tempo t.
36

A fase mais indicada para a análise dos aspectos de

manutenibilidade de um ativo, sistema ou instalação é a fase de projeto.
Nesta etapa, é necessário um olhar atento para todos os tópicos que
influem na manutenibilidade. São eles: característica de projeto, suporte
de especialistas à engenharia de projetos, vetor para redução de custos,
atuação eficaz da engenharia de manutenção, planejamento da
manutenção e, por fim, capacitação da mão de obra de execução
(KARDEC; NASCIF, 2009).
 37

4 MANUTENÇÃO PREDITIVA

4.1 CONCEITO

Conforme apresentado no capítulo anterior, a manutenção

preditiva é a primeira grande quebra de paradigma nos tipos de
manutenção. E tanto mais se intensifica, quanto mais o conhecimento
tecnológico evolui, desenvolvendo dispositivos que permitem a
avaliação confiável das instalações e sistemas operacionais em
funcionamento (KARDEC; NASCIF, 2009).
O objetivo da manutenção preditiva é prevenir falhas nos
equipamentos ou sistemas através do acompanhamento de diversas
variáveis, permitindo que o ativo permaneça em operação pelo maior
tempo possível. Desta forma, ela não promove intervenções
desnecessárias nos equipamentos ou sistemas, privilegiando a
disponibilidade, com verificações e medições executadas com o
equipamento em funcionamento (KARDEC; NASCIF, 2009).
Assim, a detecção antecipada de uma anomalia permite um
diagnóstico precoce da falha, possibilitando a execução de um plano de
ações corretivas no momento e na intensidade adequados ao tipo de
falha. De forma mais direta, pode-se dizer que a Manutenção Preditiva
prediz as condições dos equipamentos e quando a intervenção é
decidida, o que se faz, na realidade, é uma manutenção corretiva
planejada (KARDEC; NASCIF, 2009).

4.2 CLASSIFICAÇÃO DE TÉCNICAS DE MONITORAMENTO

Para que a Manutenção Preditiva possa exercer seu papel de

predizer o momento da ocorrência das falhas, faz-se necessário conhecer
o estado de funcionamento do ativo monitorado. Tais informações só
podem ser obtidas através de medições, acompanhamentos e
monitoramento de parâmetros. Segundo Kardec e Nascif (2009), esse
acompanhamento pode ser feito de três formas: acompanhamento ou
monitoração subjetiva, objetiva ou contínua.

4.2.1 Monitoração Subjetiva

A monitoração subjetiva é aquela baseada na sensação e nos

sentimentos da equipe de manutenção. São inspeções realizadas no
equipamento, as quais apresentam seu resultado baseado nos sentidos
humanos: tato, olfato, audição e visão (KARDEC; NASCIF, 2009).
38

Os resultados desse monitoramento têm sua confiabilidade

centrada na experiência dos profissionais da manutenção. E mesmo que
a experiência propicie uma identificação razoável nesse tipo de
verificação, ela não deve ser adotada como fator de decisão. Pois
apresentam um teor extremamente subjetivo, visto que as percepções
sensoriais variam de pessoa para pessoa (KARDEC; NASCIF, 2009). A
Figura 5 ilustra a monitoração subjetiva do ruído em um equipamento.

Figura 5- Monitoração subjetiva - ruído.

Fonte: Kardec e Nascif, 2009.

4.2.2 Monitoração Objetiva

Por se tratar de um acompanhamento através de instrumentos,

este tipo de monitoração é fundamental na determinação do estado dos
equipamentos. A técnica ganha a denominação de objetiva, pois a
utilização de instrumentos fornece um valor de medição que independe
do operador (KARDEC; NASCIF, 2009).
Para que a confiabilidade no resultado se mantenha, é essencial
que as medições sejam realizadas sempre nas mesmas condições.
Também é necessário que o operador dos instrumentos esteja treinado e
habilitado, que os instrumentos estejam aferidos e calibrados, e que haja
 39

uma equipe capaz de interpretar os dados coletados e emitir diagnósticos

(KARDEC; NASCIF, 2009).

4.2.3 Monitoração Contínua

A monitoração contínua também é uma monitoração objetiva.

Porém, ao invés de ter seus resultados obtidos em medições periódicas,
a monitoração contínua apresenta o estado do equipamento em tempo
real (KARDEC; NASCIF, 2009).
Para a adoção do monitoramento contínuo são necessárias
algumas condições básicas. São elas: viabilidade de monitoramento do
equipamento, sistema ou instalação; custo/benefício favorável para a
instalação de monitoramento; falhas oriundas de causas que possam ser
monitoradas e viabilidade da implantação de um sistema de
acompanhamento, análise e diagnóstico sistematizado (KARDEC;
NASCIF, 2009).
Com o advento da Indústria 4.0, este tipo de monitoramento tende
a se estabelecer como essencial, pois ele, dentre os tipos de
monitoramento apresentados, é o único que apresenta as características
necessárias para a se integrar a um sistema de Manutenção Preditiva 4.0.

4.3 MANUTENÇÃO PREDITIVA E A INDÚSTRIA 4.0

4.3.1 Indústria 4.0

O processo de industrialização iniciou-se no final do século 18,

com a introdução de equipamentos mecânicos na fabricação. Este evento
foi denominado de Primeira Revolução Industrial, devido ao modo
revolucionário de fabricação dos bens pelas máquinas mecanizadas
(BARBOSA; AROCA, 2017).
Já na virada do século 20, teve início a Segunda Revolução
Industrial, marcada pela utilização de energia elétrica, produção em
massa de bens e na divisão do trabalho. Essa organização do processo
produtivo se manteve até o início da década de 1970, quando foi
superada pela Terceira Revolução Industrial. Esta se mantém até os dias
atuais, empregando equipamentos eletrônicos de controle, computação e
tecnologia da informação, provendo maior automação de processos de
fabricação. Nesse modelo, as máquinas passaram a assumir não só uma
proporção substancial do “trabalho manual”, mas também uma parte do
“trabalho intelectual” (BARBOSA; AROCA, 2017).
40

Ao final do ano de 2013, durante um projeto estratégico do

Governo Alemão, o termo "Indústria 4.0" foi mencionado pela primeira
vez. Foram organizadas e definidas as características para pôr em
marcha à Quarta Revolução Industrial (KAGERMANN, 2013).
A Quarta Revolução Industrial, ou Indústria 4.0, é o termo
referente à digitalização de fábricas, tornando-as mais inteligentes e
autônomas. Propõe a integração efetiva das estruturas físicas, virtuais e
biológicas, construindo uma rede de inovação e produção cada vez mais
rápida e inteligente (MAURA, 2019). A Figura 6 apresenta os quatro
tipos de indústrias que foram implementadas após suas respectivas
revoluções industriais.

Figura 6 - Os quatro tipos de indústrias.

Fonte: Altus, 2019.

Em uma fábrica inserida no conceito 4.0, as máquinas estão

conectadas como uma comunidade colaborativa. Fazem uso das
ferramentas de Internet das Coisas (IoT), Big Data, computação em
nuvem e inteligência artificial no ambiente fabril (MAURA, 2019).
Tal evolução exige a adoção de um alto grau de automação dos
processos fabris, como a utilização de uma ampla rede de sensoriamento
das variáveis físicas de interesse; a comunicação de dados para sistemas
 41

de processamento, tanto locais quanto em nuvem; e a utilização de

ferramentas avançadas de análise de dados. Processos estes que visam à
tomada de decisão informatizada (LEE; KAO; YANG,2014). Na Figura
7 são ilustradas algumas destas ferramentas que constituem o conceito
de Indústria 4.0.

Figura 7 - Indústria 4.0 e suas ferramentas.

Fonte: SMADM, 2018.

Em síntese, vive-se uma transformação completa do

planejamento e da execução das operações corporativas, incluindo
novos paradigmas de organização de equipes, desenvolvimento de
produtos e análise de mercado (MAURA, 2019).

4.3.2 Manutenção Preditiva 4.0 e a Indústria 4.0.

O aumento da competitividade e a globalização dos negócios

trouxeram grandes mudanças na estrutura das organizações, fazendo
com que se voltasse a atenção à gestão da qualidade, avanços
tecnológicos, segurança e questões ambientais (MOYA, 2004).
Para suprir essas demandas do cenário atual, as organizações
buscam reduzir o tempo de inatividade dos equipamentos, reduzir custos
de mão de obra e prolongar a vida útil dos ativos. Para atingir esses
objetivos, as organizações avistaram na Indústria 4.0 as ferramentas
42

necessárias para isto: dispositivos interconectados, sensores, gateways,

nuvens e outras ferramentas de Internet das Coisas (IoT). Isso possibilita
a coleta instantânea de grandes conjuntos de dados de diferentes ativos,
além da aplicação da análise de Big Data para fornecer informações
preditivas de manutenção (DELMEGANI, 2018).
Portanto, não é uma surpresa que a Manutenção Preditiva tenha
emergido rapidamente como um dos principais casos de uso da Indústria
4.0. A sua implementação possibilita monitorar a integridade dos ativos,
otimizar os cronogramas de manutenção e obter alertas em tempo real
dos riscos operacionais, benefícios estes que vão ao encontro das
necessidades atuais das organizações (EZRA, 2018).

4.3.3 Tipos de Manutenção Preditiva

O conceito de Manutenção Preditiva pode ser dissociado em dois

níveis: Manutenção Preditiva baseada na Condição e Manutenção
Preditiva baseada em Machine Learning (SEEBO, 2018).

4.3.3.1 Manutenção Preditiva Baseada na Condição

A Manutenção Preditiva baseada na condição conta com a

instalação de sensores que coletam continuamente dados sobre os ativos.
Através de regras pré-definidas, o sistema envia alertas quando algum
limite estabelecido é atingido (SEEBO, 2018).
Embora este tipo de manutenção forneça algum nível de
manutenção preditiva automatizada, ela ainda depende da compreensão
da equipe de manutenção sobre quais variáveis elétricas ou ambientais
precisam ser medidas, bem como de sua capacidade de prever o que
pode quebrar (SEEBO, 2018).

4.3.3.2 Manutenção Preditiva Baseada em Machine Learning

A Manutenção Preditiva baseada em Machine Learning (em

português, aprendizado de máquina) também necessita de sensores
coletando dados em tempo real. Mas além disto, também faz uso de
conjuntos de dados históricos dos ativos monitorados. Estes dados,
combinados com algoritmos personalizados de aprendizado de máquina,
executam diferentes cenários e podem prever o que vai dar errado e
quando - e gerar alertas (SEEBO, 2018).
Por ser este o tipo de manutenção que está impulsionando a
Indústria 4.0 e implementando suas ferramentas, a Manutenção
 43

Preditiva baseada em Machine Learning também é intitulada

“Manutenção Preditiva 4.0” (PWC, 2018), tendo sua arquitetura,
benefícios e desafios da implementação abordados nos próximos
capítulos.
44
 45

5 ARQUITETURA DA MANUTENÇÃO PREDITIVA 4.0

A Indústria 4.0 propõe a produção preditiva no futuro, onde as

máquinas são conectadas como uma comunidade colaborativa e um
sistema ecológico de tomada de decisão orientado a dados é
desenvolvido. Essa evolução exige a utilização de ferramentas
avançadas de previsão e análise preditiva, para que os dados possam ser
sistematicamente processados em informações e, assim, sejam tomadas
decisões mais assertivas (MOTAGHARE et al., 2018).
Uma arquitetura de sistema adequada para a Manutenção
Preditiva 4.0 deve apresentar módulos específicos, de modo que a
integração total dos módulos leve à implementação de um sistema
operante e assertivo. Para isso, o sistema necessita de componentes
básicos. São eles: aquisição de dados, comunicação de dados,
armazenamento de dados, análise preditiva e visualização dos resultados
(SEEBO, 2018), conforme apresentada na Figura 8.

Figura 8 - Arquitetura da Manutenção Preditiva 4.0.

Fonte: Adaptado de Seebo, 2018.

5.1 AQUISIÇÃO DE DADOS

Para manter o sistema funcionando adequadamente, é preciso

monitorá-lo continuamente para identificar qualquer tipo de falha ou
erro. Para isso, os parâmetros do ativo precisam ser registrados. E isto é
efetuado através de sensores de monitoramento, os quais realizam uma
46

etapa importante no sistema de Manutenção Preditiva 4.0: a captura de

dados (MOTAGHARE et al., 2018).
Além da captura de dados, a consistência de dados é fundamental
para que o modelo de análise possua um bom resultado. Dependendo do
método de análise e da criticidade do equipamento utilizados, a
frequência de amostragem pode variar. Métodos mais antigos ainda
demandam uma captura dependente de um operador. Já os dispositivos
“inteligentes” podem ser utilizados de forma generalizada, coletando
dados no campo por meio de processos automáticos avançados,
possíveis devido ao conceito de Internet das Coisas (no inglês Internet
of Things) (CIVERCHIA et al., 2017).

5.1.1 Internet das Coisas

O conceito de Internet das Coisas (IoT) refere-se à interconexão

de objetos físicos e virtuais com a internet. O termo tem suas raízes no
MIT (Massachusetts Institute of Technology), quando, em 1999, foi
desenvolvido um trabalho na área da identificação por rádio frequência
(RFID) e tecnologias de sensores. Desde então, tem sido impulsionado
pelo aparecimento e uso generalizado de sensores cada vez menores e
baratos. Contribuem para o processo o avanço dos dispositivos móveis,
comunicações wireless e tecnologias de armazenamento em nuvem
(MOHAMMADI; LARIJANI, 2015). A Figura 9 ilustra algumas destas
aplicações.
Figura 9 - A Internet das Coisas.

Fonte: Roubard, 2017.

 47

O conceito de Internet das Coisas se aplica também aos sensores

de manutenção preditiva, os quais exercem o papel de capturar
informações, identificar os parâmetros e enviá-los para o próximo
estágio do sistema preditivo. Os exemplos de uso de sensores IoT são
encontrados nas técnicas preditivas (RICHTER, 2019).

5.1.2 Técnicas Preditivas

As técnicas preditivas configuram-se como técnicas de ensaio

não-destrutivas, visto que o equipamento não necessita ser aberto para
que sua inspeção ocorra, mantendo-se em pleno funcionamento durante
o monitoramento de seus parâmetros. Assim sendo, as técnicas
preditivas também são intituladas como técnicas não-invasivas, são
exemplos de variáveis analisadas: temperatura, vibração, pressão,
rotação, umidade, campo magnético, entre outros. A seguir são
apresentadas as duas técnicas preditivas mais utilizadas em diferentes
setores industriais. São elas: análise termográfica e análise de vibrações
(RICHTER, 2019).

5.1.2.1 Análise Termográfica

5.1.2.1.1 Conceito

A temperatura é um dos parâmetros de mais fácil compreensão. O

acompanhamento de sua variação permite constatar alteração na
condição de equipamentos, de componentes e do próprio processo
(KARDEC; NASCIF, 2009).
A etimologia da palavra “termografia” se origina do grego
therme, que significa “calor”, e grafia, “escrita”. Trata-se de uma
ferramenta de manutenção preditiva que busca mapear um equipamento
com o objetivo de distinguir áreas de diferentes temperaturas
(DIEGOLI; GAVLAKI, 2018).
As vibrações de campos elétricos e magnéticos que se propagam
no espaço dão origem às ondas eletromagnéticas. O conjunto de ondas
eletromagnéticas de todas as frequências forma o espectro
eletromagnético. Dentro deste espectro, existe o infravermelho, uma
faixa de frequência naturalmente emitida por qualquer corpo à
temperatura próxima à do ambiente (22ºC), e com intensidade
proporcional à sua temperatura (TEIXEIRA, 2012).
48

Quanto maior a temperatura de um objeto, maior a radiação

infravermelha emitida por ele. Esta radiação possui um comprimento de
onda impossível de ser vista a olho nu, mas possível de ser sentida na
forma de calor (DIEGOLI; GAVLAKI, 2018). Na

Figura 10 é apresentado o espectro eletromagnético com suas faixas de

frequência.

Figura 10 - Espectro eletromagnético.

Fonte: Diegoli e Gavlaki, 2018.

A radiação infravermelha, invisível ao olho humano, é

transformada através de câmeras termográficas, conforme apresentada
na Figura 11. Estas câmeras detectam a energia emitida por um objeto,
modificam a frequência dessa energia e produzem imagens
correspondentes na faixa visível do espectro magnético, as quais são
chamadas de termogramas. Os termogramas podem ser interpretados
diretamente por profissionais ou analisados por softwares
computacionais, produzindo informações detalhadas e adicionais
(CYRINO, 2015).
 49

Figura 11 - Câmera termográfica.

Fonte: FLIR Systems, 2018.

5.1.2.1.2 Aplicação

A termografia configura-se em dois métodos: qualitativo e

quantitativo. No método qualitativo, as análises são focadas em
interpretações visuais e comparações de temperaturas entre
equipamentos semelhantes, caracterizando-a como uma técnica que
fornece laudos instantâneos. Já o método quantitativo apresenta valores
de temperatura para cada ponto da superfície do equipamento, definindo
o grau de gravidade de uma anomalia (ABREU; SOARES; SOUZA,
2012).
Em motores, geradores e transformadores, as análises
termográficas são tanto qualitativas, quanto quantitativas, permitindo ao
usuário acompanhar o envelhecimento da máquina, bem como
diagnosticar falhas decorrentes de curto-circuito parcial entre espiras,
falha parcial de isolação, refrigeração, entre outras (DIEGOLI;
GAVLAKI, 2018).
Um destes exemplos é apresentado na Figura 12. Nela são
apresentados termogramas de quatro transformadores idênticos.
Percebe-se que um deles trabalha a uma temperatura 20% acima dos
demais. Esta diferença não se traduz necessariamente em uma falha, mas
gera um alerta e a necessidade de uma investigação mais aprofundada.
50

Figura 12 - Termogramas de transformadores.

Fonte: Diegoli e Gavlaki, 2018.

Conforme observado, a análise termográfica possui diversas

vantagens. Dentre elas, pode-se elencar: a segurança, visto que é uma
inspeção sem contato físico, e a facilidade, pois não interfere na
operação, podendo ser realizada com o equipamento em funcionamento.
Destaca-se também o alto rendimento e a economia pois permite
antecipar a identificação de danos causadores de custos elevados de
manutenção corretiva, correção de problemas que causam perda e
consumo de energia, além do prolongamento da vida útil do
equipamento (TEIXEIRA, 2012).
 51

5.1.2.2 Análise de Vibrações

5.1.2.2.1 Conceito

A análise de vibrações é uma das técnicas mais antigas na

manutenção. Seu princípio baseia-se na ideia de que as estruturas das
máquinas, quando alteradas por esforços dinâmicos (ação de forças) irão
emitir sinais vibratórios. Estes sinais vibratórios apresentam frequência
idêntica à frequência dos esforços que provocaram estas vibrações, os
chamados agentes excitadores (WANG; WILLIANG, 1995).
A partir da análise dos sinais vibratórios, é possível tomar
decisões de intervir ou não no funcionamento da máquina, fazendo com
que esta esteja disponível o máximo possível, reduzindo custos com
manutenção, tempo de parada da máquina, reduzindo o estoque e
melhorando o desempenho (KARDEC; NASCIF, 2009).

5.1.2.2.2 Aplicação

Para a captação de vibrações, são utilizados sensores

denominados transdutores de vibração mecânica. Existem diversos tipos
de sensores, sendo o acelerômetro o mais utilizado devido à sua enorme
versatilidade, enquanto outros sensores se resumem a aplicações muito
específicas (RAO, 2008). A Figura 13 ilustra um acelerômetro.

Figura 13 – Acelerômetro.

Fonte: MSG Tecnologia, 2013.

52

O princípio de funcionamento do transdutor de aceleração baseia-

se nos cristais piezoelétricos, elementos que depois de sujeitos à
compressão, geram um pequeno sinal elétrico proporcional à aceleração.
Quando se encontra em funcionamento, o transdutor acompanha a
vibração transmitida pelo equipamento em estudo, produzindo uma
tensão elétrica proporcional ao movimento aplicado. Desta forma, são
capturados os dados sobre a vibração do equipamento monitorado e
realizadas técnicas de processamento do sinal vibratório (ARATO,
2004).
Tais técnicas tem como objetivo extrair informações que
permitam correlacionar algumas características do sinal com o estado do
equipamento. Dentre as várias técnicas que podem ser aplicadas, as mais
utilizadas, consideradas clássicas e de aceitação universal, são: análise
por nível global de vibração, análise por espectro da vibração, média
temporal síncrona, demodulação e diagramas de órbita (ARATO, 2004).
Com a utilização destas técnicas de análise vibratória, é possível
detectar problemas típicos de máquinas elétricas, sendo os mais comuns:
desbalanceamento, desalinhamento de eixos, defeitos de rolamentos,
desgaste em engrenagens e mancais, cavitação e má fixação da máquina
ou de seus componentes internos (WANG; WILLIANG, 1995).

5.2 COMUNICAÇÃO DE DADOS

As vantagens de conectar um dispositivo à Internet das Coisas

são muitas. Entretanto, como em qualquer etapa que envolva a adoção
de uma nova tecnologia, é importante estar ciente dos fatores que
levarão ao sucesso ou falha de um produto. Como a conectividade IoT
representa um bloco importante de um sistema de Manutenção Preditiva
4.0, muita atenção deve ser tomada ao escolher o tipo de comunicação
IoT que ele utilizará (RICHTER, 2018).
Ao implementar a IoT, as decisões sobre como os dados são
transferidos, geralmente, parecerão extremamente complexas.
Felizmente, a padronização na conectividade de dados da Internet das
Coisas, juntamente com os avanços nas ferramentas de simulação,
tornou mais fácil tomar decisões melhores e mais informadas sobre
conectividade e integração de dados (RICHTER, 2018).

5.2.1 Protocolos de Conectividade IoT

Um protocolo é uma convenção que controla e possibilita a

comunicação e transferência de dados entre dois sistemas
 53

computacionais. De maneira simples, um protocolo pode ser definido

como "as regras que governam" a sintaxe, semântica e sincronização da
comunicação (RICHTER, 2018).
Logo, os protocolos de conectividade da IoT formam o idioma de
um sistema de IoT e, à medida que o idioma se desenvolve ao longo do
tempo para atender às necessidades das pessoas que o falam, os
protocolos de IoT também estão evoluindo para se adequar melhor às
redes industriais e seus usuários (RICHTER, 2018).
Segundo Richter (2008), atualmente, existem três protocolos de
comunicação mais utilizados quando o assunto é conectividade IoT. São
eles: MQTT, AMQP e CoAP.

5.2.1.1 MQTT - Transporte de Telemetria de Enfileiramento de

Mensagens

Anteriormente chamado de “protocolo SCADA”, o MQTT é um

protocolo de mensagens simples de implementar, leve e especialmente
útil para comunicação remota e em casos de largura de banda restritiva.
O baixo consumo de energia, tamanho pequeno e distribuição eficiente
de dados por meio de pacotes minimizados tornam o MQTT uma
excelente opção para implementações de IoT e aplicativos móveis
(RICHTER, 2008).

5.2.1.2 AMQP - Protocolo avançado de enfileiramento de mensagens

O AMQP é um protocolo de enfileiramento de mensagens de

padrão aberto e rico em recursos, oferecendo enfileiramento, roteamento
e orientação de mensagens confiáveis e seguras. O AMQP fornece um
alto nível de interoperabilidade, permitindo uma ampla variedade de
padrões de comunicação e aplicativos de mensagens (RICHTER, 2008).

5.2.1.3 CoAP - Protocolo de Aplicação Restrita

O CoAP foi projetado especificamente para conectar dispositivos

com recursos limitados, como uma fonte de alimentação limitada ou
pouca memória. Novas extensões ao CoAP permitem definir e endereçar
vários recursos do CoAP como um grupo, além de reduzir os tempos de
transferência (RICHTER, 2008).
54

5.2.2 Gateway IoT

Após os sensores IoT realizarem a aquisição dos dados, não é

prudente que estes passem diretamente para a central de armazenamento
de dados (local ou em nuvem). Antes devem passar por gateways,
especificamente, gateways IoT (GRIZHNEVICH, 2018).
Os gateways IoT são dispositivos físicos, hardwares, que se
conectam aos sensores IoT. Por meio de protocolos específicos,
agrupam as informações e depois as enviam para os servidores, onde
estes dados serão processados e analisados. Esses dispositivos
inteligentes estão ajudando a alimentar a atual onda de expansão da IoT,
reduzindo os riscos com segurança de dados com um custo
relativamente baixo (GRIZHNEVICH, 2018). Na Figura 14 é
apresentada a arquitetura da comunicação de dados, com os gateways
IoT intermediando o fluxo de dados entre os sensores e o
armazenamento na nuvem.

Figura 14 - Arquitetura da comunicação de dados.

Fonte: Mishra, 2019.

 55

5.3 ARMAZENAMENTO DE DADOS

A precisão das previsões de falhas em um sistema preditivo

depende da relevância, suficiência e qualidade dos dados utilizados. As
fontes de dados relevantes para manutenção preditiva incluem: histórico
de manutenção, dados operacionais e metadados dos ativos monitorados
(AZURE, 2020).

5.3.1 Históricos de Manutenção

O histórico de manutenção de um ativo contém detalhes sobre as

atividades de reparo executadas, os componentes substituídos, e as
falhas ocorridas. Esses eventos registram padrões de degradação, ou
seja, configuram-se como informações cruciais para a determinação de
um modelo preditivo assertivo. A ausência destes históricos leva a
resultados incorretos do modelo (AZURE, 2020).

5.3.2 Metadados do Ativo

Metadados são dados sobre outros dados. Recursos estáticos são

metadados sobre o equipamento. São exemplos: a marca do
equipamento, modelo, data de fabricação, data de instalação e início do
serviço, geolocalização e outras especificações técnicas do ativo
(AZURE, 2020).

5.3.3 Dados Operacionais do Ativo

Dados de fluxo dos sensores que monitoram o equipamento

durante sua operação são uma fonte de dados importante. Espera-se que
esses dados capturem padrões de falhas e anomalias que levam à
degradação para que, desta forma, o modelo preditivo aprenda a
reconhecer padrões de falha e de não falha, com base no aspecto
temporal dos dados (RICHTER, 2018).
A coleta contínua de dados atuais de um conjunto completo de
ativos, juntamente com seus dados históricos, faz com que as
organizações, principalmente as de manufatura, gerem uma infinidade
de dados. Este cenário constitui um grande potencial e, ao mesmo
tempo, um grande desafio. A utilização correta destes dados se
transforma em informação e em conhecimento, otimizando processos e
agregando valor à organização, os custos associados são elevados e a
capacidade de processamento e armazenamento da TI utilizada pela
56

empresa se torna escassa. É nesse contexto que se insere o conceito de

Big Data, um dos pilares da Indústria 4.0 (WANG, 2015).

5.3.4 Big Data

A Indústria 4.0 se destaca por ser o momento vivido na atualidade

pela indústria. Tem como base essencial a utilização de dispositivos
conectados e inteligentes, capazes de se comunicarem e fornecerem
informações de forma ágil. Porém, para que a Indústria 4.0 acontecesse,
determinadas tecnologias foram essenciais para potenciar esta
revolução. E, de todas estas tecnologias, o Big Data é o catalisador deste
processo, uma vez que esta nova revolução está conectada diretamente
com a coleta e análise de um enorme volume de dados (TADIM, 2018).
O termo "Big Data" (em português Megadados) refere-se a dados
tão grandes, rápidos ou complexos que são difíceis ou impossíveis de
processar utilizando métodos tradicionais. Embora o ato de acessar e
armazenar grandes quantidades de informações para análise já exista há
muito tempo, o conceito de Big Data ganhou força no início dos anos
2000, período no qual o analista do setor, Doug Laney, articulou a atual
definição como os cinco Vs: volume, velocidade, variedade, veracidade
e valor. Os cinco Vs são ilustrados na Figura 15.

Figura 15 - Os cinco Vs do Big Data.

Fonte: Garcia, 2017.

 57

5.3.4.1 Volume

O volume é devido à enorme quantidade de informações. Redes

de sensores de grande escala, como por exemplo, em ambientes
industriais, produzem grandes quantidades de dados em dimensões de
zettabytes (10²¹), ou até mesmo brontobytes (1027). Estas quantidades de
dados são grandes demais para serem armazenadas e processadas pelos
modelos de banco de dados tradicionais, fazendo com que surgissem
sistemas distribuídos, transformando os bancos de dados em redes
(GARCIA,2017).

5.3.4.2 Velocidade

A velocidade é em decorrência dos ativos monitorados e

processos de produção que funcionam em tempo real. Os dados
coletados são, portanto, de alta granularidade temporal e requerem
processamento em tempo real, caso os mesmos sirvam para regular um
processo em curso e intervir antes que os parâmetros atinjam níveis
críticos (GOMES, 2019).

5.3.4.3 Variedade

A integração de diferentes fontes de dados, bem como a

necessidade de integrar dados não-estruturados, são desafios que os
bancos de dados tradicionais dificilmente são capazes de lidar,
especialmente porque o sistema precisa ser suficientemente flexível para
integrar também fontes de dados imprevistas. No contexto de
Manutenção Preditiva 4.0, som, vídeo, dados de radar e imagens podem
ser utilizados em combinação com outros dados do sensor (TADIM,
2018).

5.3.4.4 Veracidade

A veracidade em Big Data se refere aos problemas que os dados

gerados poderão conter. Basicamente, a análise de Big Data depende
muito da veracidade dos dados., sendo crucial a compreensão da
natureza confusa e barulhenta dos dados, visto que muitos deles estão
incompletos, corroídos ou com anomalias. Assim, um sistema de
Manutenção Preditiva 4.0 deve ser capaz de gerar conhecimento a partir
dos dados. Isso leva ao último V: o valor (GOMES, 2018).
58

5.3.4.5 Valor

No cenário atual, os dados armazenados de uma empresa ou de

qualquer instituição são um de seus maiores bens. Por serem geradores
de conhecimento, se transformam em um capital para qualquer
organização, trazendo benefícios competitivos de mercado através dos
insights gerados, auxiliando na visão estratégica e agregando valor à
organização (GOMES, 2018).
Além do Big Data, outro fator que impulsiona a Indústria 4.0 e
garante viabilidade a um sistema de Manutenção Preditiva 4.0 é
intitulado Cloud Computing.

5.3.5 Cloud Computing

Com a implementação do conceito 4.0, a tendência é de que cada

vez mais os processos organizacionais necessitem e gerem mais
informações. Armazenar, processar, distribuir e assegurar essa
quantidade de dados não é uma tarefa simples. E é nesse contexto que se
insere o conceito de Cloud Computing (PEDERNEIRAS, 2019).
O Cloud Computing (em português computação em nuvem) é
uma tecnologia que faz parte da rotina de muitas pessoas, mesmo que
elas não percebam. A chamada computação em nuvem está presente
quando se consome conteúdo via streaming, edita-se documentos
online, envia-se e-mails, entre outras tantas funções da vida cotidiana. E
nas empresas, não é diferente. A nuvem é utilizada a fim de armazenar
informações, fazer análise de dados e visualizar seus resultados
(GRIZHNEVICH, 2018). A Figura 16 ilustra os recursos da
computação em nuvem.
 59

Figura 16 - Cloud Computing.

Fonte: Pederneiras, 2019.

Em síntese, a computação em nuvem é o fornecimento de

serviços de computação, incluindo servidores, armazenamento, bancos
de dados, rede, software, análise e inteligência, pela Internet - “a
nuvem” - assim denominada, devido ao fato do desconhecimento sobre
o local no qual os dados estão sendo armazenados ou processados. Eles
podem estar em um servidor aqui mesmo no Brasil, do outro lado do
mundo, ou ainda nos dois locais ao mesmo tempo, um sendo cópia de
segurança do outro (SALESFORCE, 2016).
Dentre os diversos benefícios da adoção da computação em
nuvem, pode-se ressaltar a questão da redução de custos, visto que esta
tecnologia elimina o gasto de capital com a compra de hardware,
software, configuração e manutenção de datacenters locais,
disponibilidade constante de eletricidade para energia e refrigeração,
além de especialistas de TI para o gerenciamento da infraestrutura. O
segundo ponto elencado é a segurança. Os provedores de computação
em nuvem oferecem um amplo conjunto de políticas, tecnologias e
controles que fortalecem sua postura geral de segurança, ajudando a
proteger os dados e a infraestrutura contra possíveis ameaças. E como
terceiro ponto: a elasticidade. É possível aumentar ou diminuir
instantaneamente as escalas desses recursos de armazenamento, sendo
60

possível ajustar a capacidade de acordo com a evolução das

necessidades empresariais (PEDERNEIRAS, 2019).
Portanto, a computação em nuvem auxilia as indústrias a
migrarem para o setor 4.0 à medida que fornece infraestrutura para
simplificar processos, armazenar e analisar dados, ferramentas
essenciais para a implementação de um sistema de Manutenção
Preditiva 4.0 (GRIZHNEVICH, 2018).

5.4 ANÁLISE PREDITIVA

Embora não haja falta de software ou metodologia para análise de

dados de origem humana, a Inteligência Artificial apresenta uma
abordagem totalmente nova para a constante necessidade das
organizações de aumentar a eficiência, a segurança e a qualidade de seus
negócios. (RICHTER, 2018).

5.4.1 Inteligência Artificial

O termo inteligência artificial - IA - foi criado em 1956, quando

um grupo de pesquisadores da Darmouth University buscava uma forma
de ensinar a máquina a usar linguagem, formas abstratas e conceitos
para resolver problemas e aprender com eles, tarefas que, até então,
eram reservadas aos humanos (COPELAND, 2016).
O principal objetivo da IA é fazer com que as máquinas exerçam
funções que, se executadas por um ser humano, seriam consideradas
inteligentes. Envolve capacidade de raciocínio, aprendizagem e
aplicação de regras lógicas, além de reconhecimento de padrões visuais,
sensoriais, de comportamento e inferência, aplicando o raciocínio nas
situações do cotidiano (RICHTER, 2019).
Foi apenas na última década que a popularidade da IA
“explodiu”, em decorrência dos crescentes volumes de dados
disponíveis, algoritmos avançados e melhorias no poder de
armazenamento computacionais (COPELAND, 2016). A Figura 17
ilustra o conceito de Inteligência Artificial como um conceito amplo,
englobando o Machine Learning e o Deep Learning, conceitos
apresentados na sequência.
 61

Figura 17 – Inteligência artificial e seus pilares.

Fonte: Ramos, 2019.

5.4.2 Machine Learning

O Machine Learning (em português Aprendizagem de Máquina)

é um método de auto aprendizado computadorizado que reside no centro
da maioria dos aplicativos de IA. Os modelos de ML combinam
habilidades avançadas de aprendizado de padrões, com a capacidade de
se adaptar à medida que as mudanças ocorrem nos dados de entrada
(EZRA, 2018).
Ou seja, seus algoritmos aprendem a partir dos dados a eles
submetidos e, assim, as máquinas são treinadas para aprender a executar
diferentes tarefas de forma autônoma. Logo, ao serem expostas a novos
dados, elas se adaptam, a partir dos cálculos anteriores, e os padrões se
moldam para oferecer respostas confiáveis (RICHTER, 2019).
Os algoritmos têm o poder de formar previsões, aprender e
aprimorar continuamente a precisão. Essa capacidade preditiva é o que
empresta o Machine Learning à Manutenção Preditiva 4.0, alavancando
algoritmos de previsão sofisticados, novos e existentes, para otimizar a
manutenção, melhorar a qualidade e aumentar o rendimento da produção
(RAMOS, 2018).
As ferramentas de Manutenção Preditiva utilizam algoritmos de
ML que conseguem analisar uma grande quantidade de dados em tempo
real. E através destes, testar correlações em busca de padrões, detectar
62

anomalias e identificar o grau de deterioração do ativo. Para isso, são

implementadas duas abordagens do Machine Learning: aprendizado
supervisionado e não supervisionado. (GONFALONIERI, 2019).

5.4.2.1 Aprendizado Supervisionado

O sucesso de qualquer aprendizado depende da qualidade do que

está sendo ensinado e da capacidade do aprendiz. O aprendizado
supervisionado requer um conjunto de dados que serão divididos em
variáveis de entrada e variáveis de saída. O objetivo é utilizar as
variáveis de entrada para prever as variáveis de saída, através de um
processo relativamente didático (AZURE, 2020).
O método utilizado se assemelha a um professor que orienta um
aluno a atingir um objetivo específico. O algoritmo de "aluno" progride
fazendo previsões iterativas com base nos dados de treinamento e é
corrigido pelo "professor" (RAMOS, 2019).
Os métodos principais de aprendizado supervisionado utilizados
são: classificação e regressão (RAMOS, 2019).

5.4.2.1.1 Classificação

Como o nome sugere, a classificação é idealmente aplicada aos

dados que podem ser categorizados. Um exemplo clássico é o algoritmo
de filtro de e-mails que decide se uma mensagem é classificada como
spam ou não. Com essa técnica, a saída é limitada a um valor booleano -
“sim” ou “não” -, podendo alcançar um alto nível de precisão com uma
quantidade relativamente pequena de dados (EZRA, 2018). A Figura 18
ilustra a definição da classificação.
Na manutenção preditiva, a classificação é utilizada para prever a
probabilidade de um componente falhar ou funcionar normalmente. Ao
criar modelos de previsão, o algoritmo precisa saber o padrão
operacional normal de um componente, bem como seus padrões de
falha. Assim, os dados de treinamento devem conter um número
suficiente de exemplos de ambas as categorias (AZURE, 2020).
 63

Figura 18 - A Classificação.

Fonte: Ezra, 2018.

5.4.2.1.2 Regressão

Um dos conceitos estatísticos mais utilizados dentro do Machine

Learning é a regressão linear, assim denominada por sua forma consistir
em uma reta traçada a partir de uma relação em um diagrama de
dispersão (GONFALONIERI, 2019), conforme exemplificado na Figura
19.
Figura 19 - A Regressão.

Fonte: Ezra, 2018.

64

Os modelos de regressão são utilizados quando o conjunto de

dados apresenta algum tipo de tendência de crescimento/decrescimento
constante. Uma de suas aplicações mais comuns é a estimação da Vida
Útil Restante (no inglês Remaining Useful Life – RUL), definida como a
quantidade de tempo que um ativo permanecerá em operação antes de
sua próxima falha (EZRA, 2018).

5.4.2.2 Aprendizado Não Supervisionado

O aprendizado não supervisionado permite abordar problemas

com pouca ou nenhuma ideia do que os resultados devem apresentar.
Pode-se derivar uma estrutura de dados onde não necessariamente se
sabe o efeito das variáveis, não sendo preciso treinar o algoritmo com a
saída desejada, pois o objetivo é que o algoritmo faça o trabalho e
descubra a estrutura inata do conjunto de dados, modelando a
distribuição dos dados e fornecendo automaticamente informações sobre
os padrões e correlações encontradas (RAMOS, 2019).
Os métodos principais de aprendizado não supervisionado
aplicados à Manutenção Preditiva 4.0 são: clusterização e associação
(RAMOS, 2019).

5.4.2.2.1 Clusterização

A clusterização (ou agrupamento) visa realizar agrupamentos

automáticos de dados de entrada segundo o seu grau de semelhança. Em
um sistema de Manutenção Preditiva, este método pode ser
implementado para detectar anomalias de comportamento nos processos
e nos equipamentos da organização, identificando as principais causas
de mau funcionamento do processo ou falha do equipamento
(RICHTER, 2019). A Figura 20 exemplifica o método, apresentando o
agrupamento de três grupos distintos, os clusters, e também a
identificação de pontos fora da curva, os outliers.
 65

Figura 20 - A Clusterização.

Fonte: Richter, 2019.

5.4.2.2.2 Associação

A associação é utilizada para descobrir regras que podem

descrever relações na distribuição dos dados de entrada. Qualquer
instância de detecção de padrão ou comportamento se configura como
um exemplo de associação, como o aumento da temperatura em
determinado equipamento como resultado de um mau contato em algum
de seus componentes (SEEBO, 2019).
Tanto a Associação, quanto as demais técnicas de análise
preditiva descritas anteriormente, podem ser implementadas através de
algoritmos de Machine Learning. Visto que os conjuntos de dados
colhidos em um sistema de Manutenção Preditiva 4.0 possuem grande
volumetria, os algoritmos que melhor se adequam a esta premissa são as
redes neuronais artificiais (BUHL; HJERTÉN, 2018).

5.4.3 Redes Neuronais Artificiais

As redes neuronais artificiais são uma abordagem alternativa aos

métodos estatísticos tradicionais. Elas caracterizam-se como modelos
computacionais inspirados nas redes neuronais biológicas, associadas ao
66

processamento paralelo de informações do cérebro humano

(COPELAND, 2016).
A rede neuronal, em suma, apresenta-se como um sistema com
nós interconectados que funcionam como os neurônios do cérebro
humano. Da mesma forma que os biológicos, os neurônios artificiais
também são compostos por três partes: os dendritos, que captam
informações; o núcleo, responsável pelo processamento das
informações; e os axônios, que distribuem a informação processada para
outros neurônios (GRÜBLER, 2018). A inspiração para a criação de
neurônios artificiais é ilustrada na Figura 21.

Figura 21 - Neurônio biológico e artificial.

Fonte: Adaptado de Grübler, 2018.

 67

Formada por conjuntos de neurônios organizados em camadas, a

estrutura de uma rede neuronal artificial caracteriza-se por três tipos de
camadas: camada de entrada, camadas ocultas e camada de saída. Um
exemplo de rede neuronal artificial é ilustrado pela Figura 22.
Seu funcionamento pode ser descrito da seguinte forma: os sinais
são apresentados à camada de entrada. Cada um destes sinais é
multiplicado por um peso, o qual é ajustado à medida que o aprendizado
avança. Após, executa-se a soma ponderada dos sinais, produzindo um
resultado. Com base nos pesos, este resultado produzido só será
contabilizado se ultrapassar um limiar de ativação. Caso este resultado
exceda o limiar, o neurônio é ativado, produzindo uma determinada
resposta de saída. Esta resposta servirá de entrada para todos os
neurônios da próxima camada. E assim sucessivamente, até chegar à
camada de saída. (LATTARO, 2017).

Figura 22 - Estrutura de uma Rede Neuronal Artificial.

Fonte: Adaptado de Grübler, 2018.

Na manutenção preditiva, conforme mencionado, os conjuntos de

dados coletados dos ativos possuem grande volumetria. É por essas
características que certos algoritmos de aprendizado profundo se
adequam para suprir as necessidades das análises preditivas (BUHL;
HJERTÉN, 2018).
68

5.4.4 Deep Learning

O aprendizado profundo, do inglês Deep Learning, configura-se

como uma subárea do Machine Learning. Composto por redes neuronais
artificiais mais profundas, sendo constituídas de numerosas camadas
(GONFALONIERI, 2019).
A Figura 23 exemplifica esta diferença entre as camadas
constituintes de uma rede neuronal simples e de uma rede neuronal de
Deep Learning.

Figura 23 - Rede Neuronal Simples e Rede Neuronal de Aprendizado Profundo.

Fonte: Soares, 2019.

Entre as redes de aprendizado profundo, duas classes são

amplamente utilizadas em análises preditivas, são elas: redes neuronais
convolucionais e redes de memória de longo prazo (GONFALONIERI,
2019).
As redes neuronais convolucionais apresentam uma arquitetura
especial que é particularmente bem adaptada para classificar imagens. O
uso dessa arquitetura torna as redes convolucionais rápidas de treinar.
Isso, por sua vez, auxilia o treinamento de redes profundas, de muitas
camadas, possuindo êxito na classificação de imagens, podendo assim
reconhecer anomalias e avarias nas imagens dos ativos monitorados por
um sistema de Manutenção Preditiva (LATTARO, 2017).
Já as redes de memória de longo prazo (do inglês Long-Short
Term Memory - LSTM) são especialmente atraentes para o domínio da
manutenção preditiva, fato decorrente de sua facilidade em aprender
com sequências, possibilitando analisar dados por períodos mais longos
para detectar padrões de falha (GONFALONIERI, 2019).
 69

5.5 VISUALIZAÇÃO DE RESULTADOS

Encerrando os blocos que compõem a estrutura do sistema de

Manutenção Preditiva 4.0, tem-se a visualização dos resultados. É nessa
etapa que os resultados das análises preditivas são apresentados através
de uma interface de usuário da solução, gráfica e intuitiva, denominado
painel de controle, ou em inglês, dashboard. Um exemplo de dashboard
é ilustrado na Figura 24.

Figura 24 - Exemplo de Dashboard.

Fonte: ValueKeep, 2018.

Com essa ferramenta, os usuários visualizam e monitoram os

ativos integrantes do sistema por meio de indicadores de desempenho e
de predições de falhas futuras que possam ocorrer. Alertas preditivos de
manutenção e qualidade também são fornecidos, permitindo que os
usuários identifiquem rapidamente a causa raiz e determinem ações de
manutenção (SEEBO, 2018). Na Figura 25 é apresentado um
exemplo de dashboard para smartphones em aplicativo mobile. Este
exibe indicadores de desempenho de equipamentos, juntamente com um
alerta sobre falha e pedido de agendamento de manutenção.
70

Figura 25 - Dashboard em Smartphone.

Fonte: Grizhnevich, 2018.

 71

6 BENEFÍCIOS E ESTRATÉGIAS DE IMPLEMENTAÇÃO

6.1 BENEFÍCIOS

Um sistema de Manutenção Preditiva 4.0, quando funciona

efetivamente como uma estratégia de manutenção, faz com que a
manutenção seja acionada apenas quando necessária, pouco antes da
ocorrência da falha. Este fato concede à Manutenção Preditiva a
capacidade de transformar, não só as equipes de manutenção, como
também a organização como um todo. Sua implementação permite que
os gerentes de ativos melhorem os resultados, equilibrando as
prioridades, como confiabilidade e lucratividade (DILMEGANI, 2018).
Dentre as vantagens advindas com a implementação do sistema, são
elencadas, a seguir, as seis principais.

6.1.1 Redução no tempo de inatividade

Falhas nos ativos são caras e estressantes. Uma hora de

inatividade pode impactar em altos custos de receitas para organizações
de grande porte. Como os problemas podem ser previstos com
antecedência, o tempo de inatividade pode ser minimizado. Reduzir o
tempo de inatividade de um equipamento é uma vantagem significativa
para empresas de manufatura ou logística, com máquinas que dependem
umas das outras (KARDEC; NASCIF, 2009).

6.1.2 Aumento da vida útil

Como a manutenção preditiva prediz falhas futuras, ela também

atua reduzindo as quebras de componentes e de equipamentos. Garante a
operação em configurações ideais, aumentando, assim, a vida útil dos
ativos (DILMEGANI, 2018).

6.1.3 Redução nos custos de manutenção

Como a manutenção planejada é baseada em um cronograma,

haverá casos em que as tarefas de manutenção serão executadas quando
não forem necessárias. Já a manutenção preditiva pode impedir essas
ineficiências. Além disso, os sistemas de manutenção preditiva, com
base nos sintomas, informam aos técnicos quais alterações precisam ser
executadas no sistema. Uma situação que serve como exemplo são
indicadores de alerta sinalizando uma vibração anormal em uma
72

máquina. Se houver uma forte correlação entre o mau funcionamento de

uma peça específica e o aumento da vibração, os técnicos poderão se
concentrar primeiro na parte possivelmente defeituosa, concluindo
apenas as atividades de manutenção necessárias, economizando tempo
(KARDEC; NASCIF, 2009).

6.1.4 Impacto ambiental reduzido

Como os equipamentos permanecem úteis por períodos mais

longos, tendo a eficiência majorada com análises avançadas, as
empresas desperdiçam menos recursos naturais. A manutenção preditiva
é uma das poucas iniciativas que auxiliam nos resultados financeiros das
organizações e seus objetivos de responsabilidade social corporativa
(DILMEGANI, 2018).

6.1.5 Condições de trabalho aprimoradas

O aproveitamento dos dados dos sensores, atrelados a sistemas

analíticos, auxilia as indústrias a encontrarem novas maneiras de evitar
lesões. Sistemas de prevenção de acidentes, que alertam ou até pararam
o equipamento quando há perigo para um trabalhador, podem melhorar
drasticamente as condições da fábrica e minimizar os ferimentos. Além
da redução de acidentes de trabalho, a implementação do sistema de
Manutenção Preditiva 4.0 também pode auxiliar na motivação dos
funcionários, pois tempos de inatividade e operação com indicadores
abaixo do ideal, não apenas afetam a produção, mas também afetam a
moral dos funcionários. É estressante se apressar para resolver
emergências quando elas surgem. A Manutenção Preditiva 4.0 minimiza
essas instâncias (SEEBO, 2018).

6.1.6 Melhora do desempenho ao longo do tempo

Dados detalhados atrelados à capacidade de observar os

resultados das intervenções criam um ciclo virtuoso de experimentação
e aprendizado. À medida que as equipes ajustam os parâmetros dos
equipamentos e melhoram os resultados, elas descobrem meios para
melhorar a qualidade. Os sistemas de Manutenção Preditiva 4.0 são
sistemas de aprendizado, que implicitamente criam uma base de
conhecimento de problemas e entendem suas causas básicas,
caminhando para uma assertividade cada vez mais alta (DILMEGANI,
2018).
 73

6.2 ESTRATÉGIAS DE IMPLEMENTAÇÃO

Além de promover benefícios, a implementação de um sistema de

Manutenção Preditiva 4.0 também impõe desafios. Dentre os quais,
configuram-se como principais: a identificação dos dados necessários
para coleta, a obtenção destes conjuntos de dados e a utilização de
ciência de dados avançada (SEEBO, 2018).
Para minimizar tais desafios, são apresentadas seis estratégias que
auxiliam o processo de implementação do sistema.

6.2.1 Planejamento inicial

Antes de iniciar a implementação do sistema, a organização

necessita avaliar seu nível de maturidade atual de manutenção e definir
metas para os próximos cinco anos que agreguem valor aos seus
negócios e que sejam consistentes com sua estratégia geral. É necessário
certificar-se de que, além dos profissionais responsáveis pela
manutenção, a liderança da empresa também esteja pronta e disposta a
defender sua abordagem (PWC, 2018).

6.2.2 Criação de projetos-piloto iniciais

É preciso realizar a seleção dos tipos de ativos adequados para

um piloto do sistema e utilizá-lo para estabelecer uma prova de conceito
e demonstrar o valor comercial. É necessário criar equipes
multifuncionais e fornecer a elas recursos suficientes e liberdade para
criar maneiras alternativas de trabalhar. Com evidências de sucessos
iniciais, é possível obter a adesão de mais profissionais à ideia, podendo
garantir financiamento para uma implantação maior (MULDERS et al.,
2017).

6.2.3 Definição dos recursos necessários

Para atingir os objetivos pretendidos com o sistema, a utilização

das lições aprendidas nos projetos-piloto torna-se essencial para mapear
em detalhes quais recursos são necessários. Além de desenvolver
estratégias para melhorar processos e implementar novas tecnologias, a
maior restrição pode ser a capacidade de recrutar os profissionais
necessários para implementar a Manutenção Preditiva 4.0 (MULDERS
et al., 2017).
74

6.2.4 Ciência de Dados Robusta

O sucesso das organizações com a Manutenção Preditiva 4.0

dependerá de habilidades e conhecimentos. Compreender volumes de
dados, muitas vezes confusos, requer não apenas os algoritmos corretos,
mas também um método de extrair insights após a análise dos dados.
Para isso, a criação de um ambiente, no qual cientistas de dados e
engenheiros possam trabalhar em conjunto, faz-se primordial para o
sucesso da implementação da solução (GONFALONIERI, 2019).

6.2.5 Inserção no Setor 4.0

Para a completa implantação da solução, é preciso expandir o

monitoramento por toda a base de ativos da organização, fazendo com
as tomadas de decisões tornem-se verdadeiramente orientadas a dados.
Aliado a isso, deve-se realizar o contínuo desenvolvimento da estrutura
de suporte: gerenciamento de dados históricos e atuais, plataforma de
análise de dados e infraestrutura de IoT, inserindo, assim, a organização
no Setor 4.0 e acompanhando o seu progresso (EZRA, 2018).

6.2.6 Abordagem Ecossistêmica

À medida que ocorre o amadurecimento da solução preditiva, é

aconselhável a colaboração com fornecedores, centros de pesquisa e
outros parceiros externos, para acompanhar e absorver os
desenvolvimentos mais recentes. O desenvolvimento de interfaces e
modelos de compartilhamento de benefícios com parceiros em seu
ecossistema pode gerar ainda mais valor para o sistema e para a
organização (MULDERS et al., 2017).
 75

7 CONSIDERAÇÕES FINAIS

Os fatores apresentados certificam a Manutenção Preditiva como

uma técnica de manutenção disruptiva e muito promissora, pois se
adapta às novas tecnologias para se consolidar como uma técnica de
manutenção do futuro.
Também foram apresentados os conceitos da Indústria 4.0 -
Internet das Coisas, Big Data, Cloud Computing e Inteligência Artificial
– estruturas incorporadas pela Manutenção Preditiva, as quais atribuem
a ela a designação “4.0”.
Com benefícios claros e diversos, foi evidenciada a forma na qual
a Manutenção Preditiva 4.0 atende às necessidades atuais do mercado,
elevando a confiabilidade dos processos, reduzindo custos
desnecessários e agregando valor às organizações.
Pode-se concluir que o sucesso de um sistema preditivo depende
da qualidade dos dados e da capacidade dos algoritmos utilizados. Com
essa combinação, a Manutenção Preditiva 4.0 oferece sustentação à
eficiência almejada, tornando-se um dos agentes que impulsionam a
Quarta Revolução Industrial.
Para trabalhos futuros, sugere-se um estudo de caso sobre a
implantação de um sistema de Manutenção Preditiva 4.0,
preferencialmente em uma organização que deseja migrar para o Setor
4.0, para que se possa verificar, na prática, os benefícios gerados e
desafios enfrentados com a implementação do sistema.
 77

REFERÊNCIAS

ABREU, A. M.; SOARES, I. M; SOUZA, O. Termografia em

manutenção preditiva: conceitos e aplicabilidades em máquinas e
equipamentos industriais. Bolsista de Valor: Revista de divulgação do
Projeto Universidade Petrobras e IF Fluminense, vol. 2, n. 1, pp. 89-94,
2012.

ALTUS. Conheça os nove pilares da indústria 4.0 e sua relevância

para a atividade industrial. In: Altus. [S.I.], 9 jan. 2019. Disponível
em: https://www.altus.com.br/post/212/conheca-os-nove-pilares-da-
industria-4-0-e-sua-relevancia-para-a-atividade-industrial. Acesso em:
19 dez. 2019.

ALVES, Maria Bernardete Martins et al. Minicurso de referência e

citação. Florianópolis, 2018. 67 slides, color. Disponível em:
https://repositorio.ufsc.br/bitstream/handle/123456789/194316/Referenc
ias_29-01-2019.pdf?sequence=3&isAllowed=y. Acesso em: 01 set.
2019.

ARATO JR., A. Manutenção preditiva usando análise de vibrações.

Barueri: Manole, 2004. 190 p.

ASSOCIAÇÃO BRASILEIRA DE NORMAS TÉCNICAS. NBR 5462:

Confiabilidade e mantenabilidade. Rio de Janeiro, 1994. 37 p.

BARBOSA, G. F.; AROCA, R. V. An IoT-Based Solution for Control

and Monitoring of Additive Manufacturing Processes. In: J.
POWDER METALL MIN, v.6, n. 158, p.2, 2017. Disponível em:
http://www.omicsonline.org/open-access/an-iotbased-solution-for-
control-and-monitoring-of-dditivemanugacturing-processes-2168-9806-
1000158.php?aid=86466. Acesso em: 20 nov. 2019.

BARRINGER, Paul. An Overview of Reliability Engineering

Principles, Houston TX, 1996.

BUHL, A.; HJERTÉN, H. Evaluation of Artificial Neural Networks

for Predictive Maintenance. Master’s Thesis. LUND University,
Department of Computer Science Faculty of Engineering LTH, 2018.
78

CARDOSO, B. P. Eficiência de Transformadores de Distribuição.

Dissertação de Mestrado, Universidade Federal de Itajubá – 2005.

CIVERCHIA, F.; BOCCHINO, S.; SALVADORI, C.; ROSSI, E.;

MAGGIANI, L.; PETRACCA, M. Industrial internet of things
monitoring solution for advanced predictive maintenance
applications. Journal of Industrial Information Integration, v. 7, p. 4 –
12, 2017.

COPELAND, Michael. What’s the Difference Between Artificial

Intelligence, Machine Learning and Deep Learning? In: Nvidia,
[S.I.], 29 jul. 2016. Disponível em:
https://blogs.nvidia.com/blog/2016/07/29/whats-difference-artificial-
intelligence-machine-learning-deep-learning-ai/. Acesso em: 10 dez.
2019.

COSTA, Mariana de Almeida. Gestão estratégica da Manutenção:

uma oportunidade para melhorar o resultado operacional. 2013. 103f.
Trabalho de Conclusão de Curso (Graduação em Engenharia de
Produção). Universidade Federal de Juiz de Fora, Juiz de Fora, 2013.

CYRINO, L. Termografia, conceitos e aplicações. [S.I.], 29 jun. 2015.

Disponível em: https://www.manutencaoemfoco.com.br/termografia-
conceitos-e-aplicacoes/. Acesso em: 12 nov. 2019.

DIEGOLI, B. B.; GAVLAKI, D. In: Indústria 4.0: Manufatura

Avançada. [S.I.]. 21 nov. 2018. Disponível em:
https://www.industria40.ind.br/artigo/17360-termografia-aplicacoes-
alem-da-manutencao-eletrica. Acesso em: 17 nov. 2019.

DILMEGANI, C. Predictive Maintenance: In-depth Guide. In: AI

Multiple., [S.I.], 27 mar. 2018. Disponível em:
https://blog.aimultiple.com/predictive-maintenance/. Acesso em: 8 ago.
2019.

EZRA, Oren. Achieving Manufacturing Excellence with Predictive

Maintenance and Machine Learning. In: Industry 4.0 Insights, [S.I.],
27 mar. 2018. Disponível em: https://blog.seebo.com/predictive-
maintenance-machine-learning/. Acesso em: 26 dez. 2019.
 79

FACCIO, M.; PERSONA, A.; SGARBOSSA, F.; ZANIN, G.

“Industrial maintenance policy development: A quantitative
framework”. International Journal of Production Economics, vol. 147,
no. PART A, pp. 85 – 93, 2014.
GARCIA, Marco. Big Data: Conceito e Definição. In: Cetax, [S.I.], 10
jun. 2017. Disponível em: https://www.cetax.com.br/blog/big-data/.
Acesso em 21 dez. 2019.

GARCIA, Thais; ALVES, Maria Bernardete Martins; BEM, Roberta

Moraes de. Mini curso normalização. Florianópolis, 2012. 122 slides,
color. Acompanha texto. Disponível em:
http://www.bu.ufsc.br/design/minicursonormalizacao. pdf. Acesso em:
01 set. 2019.

GOMES, P.C.T. Os 5 V’s do Big Data. In: DataGeeks, [S.I.], 11 jun.

2018. Disponível em: https://www.datageeks.com.br/5vs-do-big-data/.
Acesso em: 17 jan. 2020.

GONFALONIERI, Alexandre. How to Implement Machine Learning

For Predictive Maintenance. In: Towards Data Science, [S.I.], 7 nov.
2019. Disponível em: https://towardsdatascience.com/how-to-
implement-machine-learning-for-predictive-maintenance-
4633cdbe4860. Acesso em: 27 dez. 2019.

GRIZHNEVICH, Alex. A comprehensive guide to IoT-based

predictive maintenance. In: ScienceSoft, [S.I.], 9 ago. 2018.
Disponível em: https://www.scnsoft.com/blog/iot-predictive-
maintenance-guide. Acesso em: 20 dez. 2019.

GRÜBLER, M. Entendendo o funcionamento de uma Rede Neural

Artificial. In: Medium, [S.I.], 11 jun. 2018. Disponível em:
https://medium.com/brasil-ai/entendendo-o-funcionamento-de-uma-
rede-neural-artificial-4463fcf44dd0. Acesso em: 10 jan. 2020.

JESCHKE, Sabina et al. Industrial Internet of Things and Cyber

Manufacturing Systems. In: [s.l.]: Springer International Publishing,
2017. p. 3–19.
80

KAGERMANN, H; WAHLSTER, W; HELBIG, J; Recommendations

for implementing the strategic initiative INDUSTRIE 4.0. Final
report of the Industrie 4.0 WG, [s. l.], n. April, p. 82, 2013.

KARDEC, Alan; NASCIF, Júlio. Manutenção: função estratégica.

3.ed. Rio de Janeiro: Ed. Qualitymark, p. 384, 2009.

LATTARO, Alex. Redes Neurais Artificiais. In: iMasters, [S.I.], 26

abr. 2017. Disponível em: https://imasters.com.br/devsecops/redes-
neurais-artificiais-o-que-sao-onde-vivem-do-que-se-alimentam. Acesso
em: 11 jan. 2020.

LEE, Jay; KAO, Hung-An; YANG, Shantu. Service innovation ans

smart analytics for industry 4.0 and big data enviroment. Procedia
Cirp, v.16, p.3-8, 2014.

LIAO, Yongxin et al. Past, Present and Future of Industry 4.0 - A

Systematic Literature Review and Research Agenda Proposal.
International Journal of Production Research, [s. l.], v. 7543, n. March,
p. 0–21, 2016.

LIN, T. Y. et al. New Method for Industry 4.0 Machine Status

Prediction - A Case Study with the Machine of a Spring Factory. 2016
International Computer Symposium (ICS), p. 322-326, 2016.

MAURA, Sandra. Os caminhos para a transformação das empresas

no futuro. In: Indústria 4.0. [S.I.], 12 out. 2019. Disponível em:
https://www.industria40.ind.br/artigo/18906-industria-40-os-caminhos-
para-a-transformacao-das-empresas-para-o-futuro. Acesso em: 13 nov.
2019.

MICROSOFT AZURE. Guia de IA do Azure para soluções de

manutenção preditiva. In: Machine Learning Azure. [S.I.], 9 jan. 2020.
Disponível em: https://docs.microsoft.com/pt-br/azure/machine-
learning/team-data-science-process/cortana-analytics-playbook-
predictive-maintenance. Acesso em: 16 jan. 2020.

MIRSHAWHA, V. Manutenção Preditiva: Caminho para Zero

Defeitos, São Paulo, Makron, McGraw-Hill, 317p, 2001.
 81

MIRSHAWKA, V.; OLMEDO, N. L. Manutenção combate os custos

da não-eficácia – A vez do Brasil. São Paulo: Makron Book, 1993.

MISHRA, Harshvardhan. IoT Gateway. In: IoT by HVM, [S.I.], 2 jan.

2019. Disponível em: https://iotbyhvm.ooo/iot-gateway/. Acesso em: 26
dez. 2019.

MOHAMMADI, M. M.; LARIJANI, H. A Survey on Centralised and

Distributed Clustering Routing Algorithms for WSNs. In: IEEE
Vehicular Technology Conference. Glasgow, Scotland, 2015.

MONCHY, François. A Função Manutenção: Formação para a

gerência da Manutenção Industrial. 1.ed. São Paulo: Ed. Durban, p. 424,
1987.

MORAES, Paulo Henrique de Almeida. Manutenção produtiva total:

estudo de caso em uma empresa automobilística. Taubaté: UNITAU,
2004.

MORE: Mecanismo online para referências, versão 2.0. Florianópolis:

UFSC Rexlab, 2013. Disponível em: http://www.more.ufsc.br/. Acesso
em: 08 nov. 2019.

MORENGHI, Luiz Carlos Rodrigues. Proposta de um sistema

integrado de monitoramento para manutenção. 2005. 115 f.
Dissertação (Mestrado) - Curso de Engenharia de Produção,
Universidade de São Paulo, São Carlos, 2005.

MORTELARI, D.; SIQUEIRA, K.; PIZZATI, N. O RCM na Quarta

Geração da Manutenção de Activos, 1. ed. RG Editores, 2011.

MOTAGHARE, O.; PILLAI, A. S.; RAMACHANDRAN, K. I.

Predictive Maintenance Architecture, 2018. IEEE International
Conference on Computational Intelligence and Computing Research
(ICCIC), Madurai, India, 2018, pp. 1-4.

MOUBRAY, J. Manutenção Centrada em Confiabilidade

(Reliability-Centered Maintenance-RCM). Trad. Kleber Siqueira, São
Paulo: Aladon, 2000.
82

MOYA, M. C. C. “The control of the setting up of a predictive

maintenance programme using a system of indicators”. in: Omega:
The International Journal of Management Science, Volume 32, Issue 1,
February 2004, pp. 57–75.

MULDERS, M.; HAARMAN, M.; VASSILIADIS, C. Predictive

Maintenance 4.0. Predict the unpredictable. In: PwC NL, [S.I.], jun.
2017. Disponível em: https://www.pwc.nl/nl/assets/documents/pwc-
predictive-maintenance-4-0.pdf. Acesso em: 20 jan. 2020.

PEDERNEIRAS, Gabriela. Cloud, ou computação em nuvem, na

indústria 4.0. In: Indústria 4.0, [S.I.], 7 abr. 2019. Disponível em:
https://www.industria40.ind.br/artigo/17984-cloud-ou-computacao-em-
nuvem-na-industria-40. Acesso em: 03 dez. 2019.

PWC. Predictive Maintenance 4.0. In: Predictive Maintenance 4.0 -

Predict the unpredictable. [S.I.], 10 dez. 2018. Disponível em:
https://www.pwc.nl/en/publicaties/predictive-maintenance-40-
predict-the-unpredictable.html. Acesso em: 10 jan. 2020.

QIN, Jian; LIU, Ying; GROSVENOR, Roger. A Categorical

Framework of Manufacturing for Industry 4.0 and beyond. In:
PROCEDIA CIRP 2016.

RAMOS, A. A diferença entre Inteligência Artificial, Machine

Learning e Deep Learning. In: Engenharia É, [S.I.], 01 out. 2018.
Disponível em: https://engenhariae.com.br/tecnologia/a-diferenca-entre-
inteligencia-artificial-machine-learning-e-deep-learning. Acesso em: 01
dez. 2019.

RAO, S. S. Vibrações Mecânicas. São Paulo: Pearson Prentice Hall,

2008.

RICHTER, Ian. Achieving Zero Unplanned Downtime with

Predictive Maintenance Analytics. In: Industry 4.0 Insights, [S.I], 3
jun. 2019. Disponível em: https://blog.seebo.com/predictive-
maintenance-analytics/Acesso em: 9 dez. 2019.

RICHTER, Ian. Demystifying IoT Communication Protocols for

Industry 4.0. In: Industry 4.0 Production, [S.I], 4 mar. 2018. Disponível
 83

em: https://blog.seebo.com/demystifying-iot-communication-protocols-
for-industry-4-0/. Acesso em: 9 dez. 2019.

ROUBARD, Jennifer. How Predictive Maintenance Fits into

Industry 4.0. In: Engineering. [S.I.], 06 out. 2017. Disponível em:
https://www.engineering.com/AdvancedManufacturing/ArticleID/15798
/How-Predictive-Maintenance-Fits-into-Industry-40.aspx. Acesso em:
20 nov. 2019.

SALESFORCE BRASIL. O que é Cloud Computing? Entenda a sua

Definição e Importância. In: SalesForce, [S.I.], 7 mar. 2016.
Disponível em: https://www.salesforce.com/br/blog/2016/02/o-que-e-
cloud-computing.html. Acesso em: 4 dez. 2019.

SALGADO, M. F. P. Aplicação de Técnicas de Otimização à

Engenharia de Confiabilidade. Dissertação (Mestrado) – Curso de
Engenharia Elétrica, Universidade Federal de Minas Gerais, Belo
Horizonte, 2008.

SEEBO. The Impact of Machine Learning and AI on

Manufacturing. In: I4.0 Library, [S.I.], 2019. Disponível em:
https://www.seebo.com/machine-learning-ai-manufacturing/. Acesso
em: 29 dez. 2019.

SEEBO. Why Predictive Maintenance is Driving Industry 4.0: The

definite Guide. In: Seebo. [S.I.], 20 out. 2018. Disponível em:
https://www.seebo.com/predictive-maintenance/. Acesso em: 18 nov.
2019.

SELLITO, Miguel Afonso. Análise estratégica da manutenção de

uma linha de fabricação metal-mecânica baseada em cálculos de
confiabilidade de equipamentos. Revista GEPROS (Gestão da
Produção, Operações e Sistemas). Ano 2, vol.3, 2007. Disponível em:
http://revista.feb.unesp.br/index.php/gepros/article/view/157/142.
Acesso em 10 dez. 2015.

SHARMA, A.; YADAVA, G. S.; DESHMUKH, S. G. “A literature

review and future perspectives on maintenance optimization”.
Journal of Quality in Maintenance Engineering, vol. 17, no. 1, pp. 5 –
25, 2011.
84

SLACK, N. et al. Administração da Produção. 1. ed. São Paulo: Atlas,

1999.

SMADM. Conheça os 10 pilares da Indústria 4.0. In: LWT Sistemas.

[S.I.], 4 jun. 2018. Disponível em:
https://www.lwtsistemas.com.br/2018/06/04/10-pilares-da-industria-4-
0/. Acesso em: 19 dez. 2019.

SOUZA, Valdir Cardoso de. Organização e Gerenciamento da

Manutenção: Programa e Controle de Manutenção. 4. ed. All Printe
Editora, São Paulo, 2011.

SPENDLA, L.; KEBISEK, M.; TANUSKA, P.; HRCKA, L. "Concept

of predictive maintenance of production systems in accordance with
industry 4.0" 2017 IEEE 15th International Symposium on Applied
Machine Intelligence and Informatics (SAMI), Herl'any, 2017.

TADIM, Kelvis. Big Data: Tudo que você precisa saber. In: Indústria
4.0, [S.I.], 10 jun. 2018. Disponível em:
https://www.industria40.ind.br/artigo/16816-big-data-tudo-o-que-voce-
precisa-saber. Acesso em: 10 dez. 2019.

TEIXEIRA, G. G. D. Confiabilidade Metrológica em Termografia

Aplicada em Sistemas Elétricos. Dissertação (Mestrado em
Engenharia Mecânica) — UFMG, Belo Horizonte, BRA, fev. 2012

TIAN, Zhigang; LIN, Daming; WU, Bairong. Condition based

maintenance optimization considering multiple objectives. Journal
Of Intelligent Manufacturing, [s.l.], v. 23, n. 2, p.333-340, 6 nov. 2009.
Springer Science and Business Media LLC.

TOAZZA, Guilherme Francez; SELLITO, Miguel Afonso. Estratégia

de Manutenção Preditiva no Departamento Gráfico de uma
Empresa do Ramo Fumageiro. Revista Produção Online. V.15, n.3,
2015. Disponível em:
http://www.producaoonline.org.br/rpo/article/view/1623/1298. Acesso
em 12 out. 2019.

TRNKA, A. “Big data analysis.” In: European Journal of Science and

Theology, Vol. 10, suppl. 1 (2014), pp. 143-148, 2014.
 85

VALUEKEEP. Dashboards de Manutenção. In: ValueKeep. [S.I.],

2018. Disponível em: https://www.valuekeep.com/pt/relatorios-kpis-
manutencao. Acesso em: 28 dez. 2019.

VELDMAN, J.; WORTMANN, H.; & KLINGENBERG, W. Typology

of condition-based maintenance. Journal of Quality in Maintenance
Engineering, p. 183-202, 2011.

VIANA, Hebert Ricardo Garcia. Planejamento e Controle da

Manutenção. 1.ed. Rio de Janeiro: Ed. Qualitymark, 2006. 167 p.

WANG, H.; WILLIAMS, K. The Vibrational Analysis and

Experimental Verification of a Plane Electrical Machine Stator
Model. Mechanical Systems and Signal Processing, p.429-438, 2003.

WANG, Lihui; TÖRNGREN, Martin; ONORI, Mauro. Current status

and advancement of cyber-physical systems in manufacturing.
Journal of Manufacturing Systems, [s. l.], v. 37, n. April 2016, p. 517–
527, 2015.

WANG, Shiyong et al. Implementing Smart Factory of Industrie 4.0:

An Outlook. International Journal of Distributed Sensor Networks, [s.
l.], v. 2016, 2016.

WOLLSCHLAEGER, M.; SAUTER, T.; JASPERRNEIT, J. The

Future of Industrial Communication: Automation Networks in the
Era of the Internet of Things and Industry 4.0. IEEE Industrial
Electronics Magazine, v. 11, p. 17-27, 2016.

WYREBSK, Jerzy. Manutenção Produtiva Total. Um Modelo

Adaptado. Dissertação de Mestrado em Engenharia de Produção.
Universidade Federal de Santa Catarina, Florianópolis, 1997. Disponível
em: http://www.eps.ufsc.br/disserta98/jerzy. Acesso em: 20 mai. 2019.

XAVIER, J.N.; PINTO, A.K. Manutenção: Função Estratégica, 2.ed.

Qualitymark, Rio de Janeiro, 1999.

XENOS, H. G. Gerenciando a Manutenção Preventiva: o caminho

para eliminar falhas nos equipamentos e aumentar a produtividade. Belo
Horizonte: Editora de Desenvolvimento Gerencial, 1998.